¿Qué es la detección de cuadros delimitadores orientados (OBB)?

A los humanos nos resulta natural reconocer objetos, independientemente de cómo estén colocados o hacia dónde estén orientados. Ya sean coches en un cruce o barcos en un puerto, podemos identificar fácilmente qué son y hacia qué dirección apuntan. Sin embargo, para los sistemas de inteligencia artificial (AI), no es tan sencillo.

Por ejemplo, la visión artificial, una rama de la AI centrada en comprender imágenes y vídeos, permite realizar tareas como la detección de objetos, que ayuda a las máquinas a identificar y localizar objetos dentro de una escena. La detección de objetos tradicional utiliza cuadros delimitadores alineados con los ejes para dibujar cajas alrededor de los objetos. Estas cajas tienen lados rectos y ángulos rectos fijos. Este enfoque funciona bien cuando los objetos están erguidos y no demasiado juntos.

Pero cuando los objetos están inclinados, girados o muy juntos, la detección de objetos tradicional suele tener dificultades para capturarlos con precisión. Para abordar estas situaciones más complejas, se han introducido técnicas como la detección de cuadros delimitadores orientados (OBB). A diferencia de los cuadros delimitadores estándar, los OBB pueden girar para adaptarse al ángulo y la forma del objeto, lo que permite un ajuste más preciso.

Los modelos de visión artificial como Ultralytics YOLO11, compatibles con la detección OBB, permiten desarrollar numerosas aplicaciones en tiempo real, especialmente en situaciones en las que la orientación del objeto es importante, como la vigilancia aérea. Además, la detección OBB también se utiliza en sanidad, agricultura y análisis de documentos.

En este artículo, veremos qué es la detección OBB, cómo funciona y dónde se aplica en situaciones reales. ¡Empecemos!

Fig. 1. Ejemplo de demostración del uso de YOLO11 para la detección OBB de barcos.

¿Qué es un cuadro delimitador orientado?#

Un cuadro delimitador orientado es un tipo de caja rectangular que se utiliza en visión artificial para representar objetos detectados en una imagen. Mientras que los cuadros delimitadores estándar están alineados con los ejes horizontal y vertical de la imagen, los OBB pueden girar para adaptarse al ángulo real del objeto.

Esta capacidad de girar ofrece varias ventajas. Los OBB pueden alinearse mejor con la orientación de un objeto, lo que permite que la caja se ajuste estrechamente a su forma y dirección. Como resultado, la detección es más exacta y precisa.

Los OBB son especialmente útiles cuando los objetos no están perfectamente erguidos, como un coche que gira en una carretera curva en una imagen aérea, un libro inclinado sobre un escritorio o un tumor girado en una exploración médica. Al adaptarse con mayor precisión al ángulo de un objeto, los OBB mejoran el rendimiento de la detección, reducen las interferencias del fondo y resultan especialmente adecuados para aplicaciones en las que la orientación del objeto importa tanto como su posición.

Fig. 2. Comparación entre la detección de objetos y la detección OBB.

Detección OBB frente a detección de objetos#

La detección OBB y la detección de objetos tradicional pueden parecer similares a primera vista, pero se utilizan de formas diferentes y para situaciones distintas. Veamos con más detalle cómo se comparan mediante un ejemplo.

Los modelos de visión artificial, como YOLO11, pueden entrenarse para detectar y clasificar objetos en diversas aplicaciones del mundo real, como la inspección industrial. Imagina una cadena de montaje en la que distintas piezas de maquinaria se desplazan por una cinta transportadora. Algunas piezas pueden estar colocadas ordenadamente, pero otras pueden estar ligeramente giradas, inclinadas o superpuestas debido a la vibración o la velocidad.

La detección de objetos tradicional utiliza cajas rectangulares y erguidas que se alinean con los bordes horizontal y vertical de la imagen. Por tanto, cuando una pieza está girada, es posible que la caja no se ajuste correctamente: podría dejar fuera parte del objeto o incluir demasiado fondo. Esto puede hacer que las detecciones sean menos precisas y dificultar que el sistema identifique la pieza con confianza.

Ahora supón que utilizas la detección OBB. En este caso, el modelo puede dibujar una caja que gire para adaptarse al ángulo exacto de cada pieza. Un engranaje inclinado o un componente angular quedará perfectamente delimitado por una caja que se ajuste a su forma y dirección. Esto se traduce en una mayor precisión, menos errores y resultados más fiables, especialmente en casos de uso como el control de calidad automatizado o la clasificación robótica.

Modelos populares de detección OBB#

Ahora que entendemos mejor qué es la detección OBB, veamos algunos de los modelos de AI para visión más utilizados que la admiten.

Se han desarrollado varios modelos avanzados de visión artificial específicamente para detectar objetos girados o inclinados. Entre ellos, los modelos Ultralytics YOLO son especialmente conocidos por sus capacidades fiables y eficientes de detección OBB.

Las primeras versiones, como Ultralytics YOLOv5, se diseñaron para la detección de objetos estándar. Las iteraciones posteriores, como Ultralytics YOLOv8 y el más reciente YOLO11, incorporaron compatibilidad nativa con la detección OBB. En particular, YOLO11 ofrece una precisión de vanguardia sin renunciar a la velocidad, lo que lo convierte en una opción eficaz para aplicaciones en tiempo real.

Los modelos YOLO11 OBB preentrenados, como YOLO11n-obb, se entrenan con conjuntos de datos como DOTAv1, que consta de imágenes aéreas anotadas con diversas clases de objetos, como aviones, barcos y pistas de tenis, que aparecen en distintos ángulos y orientaciones.

Además, estos modelos están disponibles en cinco tamaños diferentes, desde nano (n-obb) hasta extragrande (x-obb), para adaptarse a distintas necesidades de rendimiento. Esta versatilidad permite aplicarlos en diversos sectores, desde la supervisión de infraestructuras urbanas y la inspección de maquinaria hasta la lectura de texto inclinado en documentos escaneados.

Entrenamiento personalizado de Ultralytics YOLO11 para la detección de cuadros delimitadores orientados#

En muchas situaciones del mundo real, los objetos que necesitas detectar pueden ser completamente distintos de los que aparecen en los conjuntos de datos de entrenamiento estándar. Por ejemplo, herramientas en una línea de producción, paquetes de productos o componentes de una placa de circuitos pueden estar girados, colocados de forma irregular o tener formas diferentes.

Para detectar estos objetos personalizados con precisión, especialmente cuando la orientación es importante, es fundamental entrenar modelos como Ultralytics YOLO11 con tus propias imágenes y etiquetas. Este proceso se conoce como entrenamiento personalizado.

Este es un resumen más detallado del proceso paso a paso para entrenar Ultralytics YOLO11 para la detección OBB:

• Recopilación de imágenes: reúne imágenes que muestren los objetos objetivo desde distintos ángulos y posiciones, y en entornos reales variados.
• Anotación de objetos: etiqueta cada objeto mediante cuadros delimitadores orientados (OBB) para capturar tanto su ubicación como su orientación, utilizando herramientas de anotación compatibles con OBB.
• Preparación del conjunto de datos: organiza las imágenes y las etiquetas según la estructura de directorios de YOLO y crea un archivo de configuración YAML con los nombres de las clases y las rutas del conjunto de datos.
• Entrenamiento del modelo: elige una versión del modelo Ultralytics YOLO11 que se ajuste a tus necesidades y ejecuta el proceso de entrenamiento para que el modelo aprenda a partir de tus imágenes etiquetadas.
• Evaluación y despliegue: prueba el modelo entrenado con imágenes nuevas, evalúa su precisión y despliégalo en aplicaciones prácticas como la fabricación, la vigilancia aérea o el análisis de documentos.

Aplicaciones que permite la detección OBB#

Los objetos descentrados o inclinados son bastante habituales en situaciones de la vida real. Veamos algunos ejemplos en los que la detección OBB marca una diferencia real al detectar estos objetos con precisión.

Análisis de imágenes de rayos X mediante detección OBB#

La detección OBB puede llevar el análisis de imágenes médicas un paso más allá al mejorar la precisión. Las imágenes médicas suelen incluir estructuras anatómicas como tumores, órganos o huesos. Estas estructuras suelen presentar formas irregulares y orientaciones variadas. Como los OBB pueden girar para adaptarse al ángulo de un objeto, proporcionan una localización y una medición más precisas, algo fundamental para el diagnóstico y la planificación del tratamiento.

Este enfoque resulta especialmente eficaz al analizar imágenes de rayos X de fracturas óseas, donde la posición y la alineación de los huesos son factores clave. Por ejemplo, la detección OBB se ha utilizado para analizar radiografías de codos pediátricos. Al adaptarse a la orientación de los huesos, ayudó a mejorar la precisión de la detección.

Fig. 3. Radiografías (a, d) con detección de objetos (b, e) y detección de cuadros delimitadores orientados (c, f).

Vigilancia aérea impulsada por la detección OBB#

La vigilancia aérea es una herramienta esencial en sectores como la seguridad pública, la supervisión medioambiental y la planificación urbana. Las imágenes capturadas por drones o satélites pueden ayudar a identificar objetos como barcos, vehículos y edificios. Sin embargo, en estas imágenes los objetos suelen aparecer pequeños y en ángulos inusuales, lo que dificulta su detección precisa.

La detección OBB resuelve este problema inclinando los cuadros delimitadores para adaptarlos al ángulo de cada objeto. Esto permite medir con mayor precisión el tamaño y la orientación de los objetos, lo que favorece una mejor toma de decisiones en ámbitos como la planificación urbana, la defensa, la respuesta ante catástrofes y la supervisión medioambiental.

Un ejemplo interesante de detección OBB es el seguimiento de barcos en la vigilancia marítima. Las imágenes de satélite suelen captar barcos en ángulos y tamaños variados debido a las condiciones meteorológicas, la iluminación o el movimiento. Los OBB pueden adaptarse a estos cambios y mejorar la detección, especialmente en embarcaciones pequeñas o parcialmente ocultas.

Fig. 4. Un ejemplo del uso de la detección OBB para la vigilancia marítima.

Uso de la detección OBB en agricultura#

Clasificar los cultivos después de la cosecha es un paso crucial para garantizar su calidad antes de envasarlos y enviarlos al mercado. Aunque muchos sistemas funcionan bien con frutas redondas como manzanas y naranjas, los cultivos largos y estrechos, como las zanahorias o los brotes de Zizania, pueden ser mucho más difíciles de gestionar. Sus formas varían y a menudo terminan en ángulos diferentes, lo que dificulta detectarlos y clasificarlos con precisión.

Para abordar este problema, los investigadores han desarrollado un sistema que utiliza la detección de cuadros delimitadores orientados (OBB) para identificar y clasificar estos cultivos con mayor precisión. El sistema puede detectar varios cultivos en una sola imagen, aunque estén inclinados o superpuestos, y evaluar su calidad y posición en tiempo real.

Ventajas y desventajas de la detección OBB#

Estas son algunas de las ventajas de utilizar la detección OBB:

• Mejores datos de entrada para las tareas posteriores: Las tareas de visión artificial, como la segmentación de instancias y el seguimiento de objetos, pueden funcionar mejor cuando reciben detecciones de objetos más precisas.
• Mejor razonamiento espacial: Al capturar el ángulo de orientación, los OBB permiten comprender la alineación y la dirección de un objeto.
• Menor solapamiento en escenas abarrotadas: Los OBB reducen la ambigüedad al ajustarse mejor a los objetos, incluso en escenas con mucha actividad o desordenadas.

Aunque ayuda a mejorar la precisión de la detección en escenas complejas, la detección OBB presenta algunas limitaciones que debes tener en cuenta:

• Mayor sensibilidad al ruido: Los pequeños errores en la predicción del ángulo pueden tener un impacto mayor en la precisión de la detección, especialmente en objetos muy juntos o alargados.
• Se necesitan herramientas especializadas: Como no todas las plataformas de etiquetado y entrenamiento son compatibles de forma nativa con los OBB, trabajar con ellos puede requerir herramientas o configuraciones adicionales.
• Disponibilidad limitada de conjuntos de datos: En comparación con la detección de objetos estándar, actualmente hay menos conjuntos de datos disponibles públicamente con anotaciones OBB, lo que puede dificultar ligeramente los primeros pasos o la comparación de resultados.

Conclusiones clave#

La detección de cuadros delimitadores orientados facilita que las soluciones de visión artificial reconozcan objetos que no están perfectamente rectos o alineados. Al capturar tanto la posición como la orientación de los objetos, la detección OBB mejora la precisión en casos de uso reales como el escaneado de imágenes médicas, la supervisión de terrenos agrícolas o el análisis de fotografías de satélite.

Con modelos como Ultralytics YOLO11, que hacen más accesible la detección OBB, esta se está convirtiendo en una opción práctica para muchos sectores. Tanto si trabajas con objetos inclinados, superpuestos o de formas inusuales, la detección OBB añade un nivel adicional de precisión que los métodos estándar suelen pasar por alto.

¿Te interesa la AI? Explora nuestro repositorio de GitHub, conecta con nuestra comunidad y consulta nuestras opciones de licencia para poner en marcha tu proyecto de visión por ordenador. Descubre más sobre innovaciones como la AI en el comercio minorista y la visión por ordenador en el sector de la logística en nuestras páginas de soluciones.