YOLO12 explicado: aplicaciones y casos de uso en el mundo real

La visión artificial es una rama de la inteligencia artificial (AI) que ayuda a las máquinas a comprender imágenes y vídeos. Es un campo que avanza a un ritmo increíble porque los investigadores y desarrolladores de AI amplían constantemente sus límites. La comunidad de AI busca continuamente crear modelos más rápidos, inteligentes y eficientes. Uno de los avances más recientes es YOLO12, la incorporación más reciente a la serie de modelos YOLO (solo miras una vez), publicada el 18 de febrero de 2025.

YOLO12 fue desarrollado por investigadores de la University at Buffalo, SUNY (Universidad Estatal de Nueva York) y la University of Chinese Academy of Sciences. En un nuevo enfoque único, YOLO12 introduce mecanismos de atención que permiten al modelo centrarse en las partes más esenciales de una imagen en lugar de procesarlo todo por igual.

También incorpora FlashAttention, una técnica que acelera el procesamiento usando menos memoria, y un mecanismo de atención por áreas, diseñado para imitar la forma en que las personas se centran de manera natural en los objetos centrales.

Estas mejoras hacen que YOLO12n sea un 2,1 % más preciso que YOLOv10n y que YOLO12m sea un 1,0 % más preciso que YOLO11m. Sin embargo, esto implica una contrapartida: YOLO12n es un 9 % más lento que YOLOv10n y YOLO12m es un 3 % más lento que YOLO11m.

Fig. 1. Ejemplo del uso de YOLO12 para detectar objetos.

En este artículo, veremos qué diferencia a YOLO12, cómo se compara con las versiones anteriores y dónde se puede aplicar.

El camino hasta el lanzamiento de YOLO12#

La serie de modelos YOLO es una colección de modelos de visión artificial diseñados para la detección de objetos en tiempo real, lo que significa que pueden identificar y localizar rápidamente objetos en imágenes y vídeos. Con el tiempo, cada versión ha mejorado en velocidad, precisión y eficiencia.

Por ejemplo, Ultralytics YOLOv5, publicado en 2020, se empezó a utilizar ampliamente porque era rápido y fácil de entrenar con datos personalizados y desplegar. Más tarde, Ultralytics YOLOv8 mejoró estos aspectos al ofrecer compatibilidad adicional con tareas de visión artificial como la segmentación de instancias y el seguimiento de objetos.

Más recientemente, Ultralytics YOLO11 se centró en mejorar el procesamiento en tiempo real manteniendo un equilibrio entre velocidad y precisión. Por ejemplo, YOLO11m tenía un 22 % menos de parámetros que YOLOv8m, pero aun así ofrecía un mejor rendimiento de detección en el conjunto de datos COCO, un benchmark ampliamente utilizado para evaluar modelos de detección de objetos.

A partir de estos avances, YOLO12 introduce un cambio en la forma de procesar la información visual. En lugar de tratar todas las partes de una imagen por igual, da prioridad a las áreas más relevantes, lo que mejora la precisión de la detección. En pocas palabras, YOLO12 se basa en las mejoras anteriores y aspira a ser más preciso.

Características principales de YOLO12#

YOLO12 introduce varias mejoras que optimizan las tareas de visión artificial manteniendo intactas las velocidades de procesamiento en tiempo real. Estas son las características principales de YOLO12:

• Arquitectura centrada en la atención: En lugar de tratar todas las partes de una imagen por igual, YOLO12 se centra en las áreas más importantes. Esto mejora la precisión y reduce el procesamiento innecesario, haciendo que la detección sea más nítida y eficiente, incluso en imágenes recargadas.
• FlashAttention: YOLO12 acelera el análisis de imágenes usando menos memoria. Con FlashAttention (un algoritmo eficiente en el uso de memoria), optimiza la gestión de datos, reduce la carga del hardware y hace que las tareas en tiempo real sean más fluidas y fiables.
• Redes residuales de agregación eficiente de capas (R-ELAN): YOLO12 organiza sus capas de forma más eficiente mediante R-ELAN, lo que mejora la manera en que el modelo procesa los datos y aprende de ellos. Esto hace que el entrenamiento sea más estable, el reconocimiento de objetos más preciso y las necesidades de cálculo menores, de modo que funciona eficientemente en distintos entornos.

Para entender cómo funcionan estas características en la vida real, piensa en un centro comercial. YOLO12 puede ayudar a seguir a los clientes, identificar elementos decorativos de las tiendas, como plantas en macetas o carteles promocionales, y detectar objetos colocados incorrectamente o abandonados.

Su arquitectura centrada en la atención le ayuda a centrarse en los detalles más importantes, mientras que FlashAttention garantiza que procese todo rápidamente sin sobrecargar el sistema. Esto facilita que los operadores del centro comercial mejoren la seguridad, organicen la distribución de las tiendas y optimicen la experiencia de compra general.

Fig. 2. Detección de objetos en un centro comercial mediante YOLO12.

Sin embargo, YOLO12 también presenta algunas limitaciones que debes tener en cuenta:

• Tiempos de entrenamiento más lentos: Debido a su arquitectura, YOLO12 necesita más tiempo de entrenamiento que Ultralytics YOLO11.
• Dificultades de exportación: Algunos usuarios pueden encontrar dificultades al exportar modelos YOLO12, especialmente al integrarlos en determinados entornos de despliegue.

Comprender los benchmarks de rendimiento de YOLO12#

YOLO12 está disponible en varias variantes, cada una optimizada para distintas necesidades. Las versiones más pequeñas (nano y small) priorizan la velocidad y la eficiencia, por lo que son ideales para dispositivos móviles y la computación en el edge. Las versiones medium y large equilibran la velocidad y la precisión, mientras que YOLO12x (extra large) está diseñado para aplicaciones de alta precisión, como la automatización industrial, la imagen médica y los sistemas avanzados de vigilancia.

Con estas variaciones, YOLO12 ofrece distintos niveles de rendimiento según el tamaño del modelo. Las pruebas de benchmark muestran que ciertas variantes de YOLO12 superan a YOLOv10 y Ultralytics YOLO11 en precisión, al alcanzar una mayor precisión media promedio (mAP).

Sin embargo, algunos modelos, como YOLO12m, YOLO12l y YOLO12x, procesan las imágenes más lentamente que YOLO11, lo que muestra una contrapartida entre la precisión de detección y la velocidad. A pesar de ello, YOLO12 sigue siendo eficiente y requiere menos parámetros que muchos otros modelos, aunque todavía utiliza más que YOLO11. Esto lo convierte en una excelente opción para aplicaciones en las que la precisión es más importante que la velocidad bruta.

Fig. 3. Comparación de Ultralytics YOLO11 y YOLO12.

Uso de YOLO12 mediante el paquete de Python de Ultralytics#

YOLO12 es compatible con el paquete de Python de Ultralytics y es fácil de usar, por lo que resulta accesible tanto para principiantes como para profesionales. Con solo unas pocas líneas de código, los usuarios pueden cargar modelos preentrenados, ejecutar diversas tareas de visión artificial en imágenes y vídeos, y también entrenar YOLO12 con conjuntos de datos personalizados. El paquete de Python de Ultralytics simplifica el proceso y elimina la necesidad de realizar configuraciones complejas.

Por ejemplo, estos son los pasos que seguirías para usar YOLO12 en la detección de objetos:

• Instala el paquete de Ultralytics: Primero, instala el paquete de Python de Ultralytics, que proporciona las herramientas necesarias para ejecutar YOLO12 de forma eficiente. Así te asegurarás de que todas las dependencias estén configuradas correctamente.
• Carga un modelo YOLO12 preentrenado: Elige la variante de YOLO12 adecuada (nano, small, medium, large o extra large) según el nivel de precisión y velocidad que requiera tu tarea.
• Proporciona una imagen o un vídeo: Introduce el archivo de imagen o vídeo que quieras analizar. YOLO12 también puede procesar emisiones de vídeo en directo para realizar detecciones en tiempo real.
• Ejecuta el proceso de detección: El modelo analiza los datos visuales, identifica los objetos y coloca cuadros delimitadores a su alrededor. Etiqueta cada objeto detectado con su clase predicha y su puntuación de confianza.
• Ajusta la configuración de detección: También puedes modificar parámetros como los umbrales de confianza para ajustar con precisión la exactitud y el rendimiento de la detección.
• Guarda o utiliza la salida: La imagen o el vídeo procesado, que ahora contiene los objetos detectados, se puede guardar o integrar en una aplicación para realizar análisis adicionales, automatizaciones o tomar decisiones.

Estos pasos hacen que YOLO12 sea fácil de utilizar en una gran variedad de aplicaciones, desde la vigilancia y el seguimiento en comercios hasta la imagen médica y los vehículos autónomos.

Aplicaciones prácticas de YOLO12#

YOLO12 se puede utilizar en una gran variedad de aplicaciones reales gracias a su compatibilidad con la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de objetos orientados (OBB).

Fig. 4. YOLO12 es compatible con tareas como la detección de objetos y la segmentación de instancias.

Sin embargo, como hemos comentado antes, los modelos YOLO12 priorizan la precisión sobre la velocidad, lo que significa que tardan algo más en procesar imágenes que las versiones anteriores. Esta contrapartida hace que YOLO12 sea ideal para aplicaciones en las que la precisión es más importante que la velocidad en tiempo real, como:

• Imagen médica: YOLO12 se puede entrenar con datos personalizados para detectar tumores o anomalías en radiografías y resonancias magnéticas con gran precisión, lo que lo convierte en una herramienta útil para médicos y radiólogos que necesitan un análisis preciso de las imágenes para realizar diagnósticos.
• Control de calidad en la fabricación: Puede ayudar a identificar defectos en los productos durante el proceso de producción, garantizando que solo los artículos de alta calidad lleguen al mercado, a la vez que reduce los residuos y mejora la eficiencia.
• Análisis forense: Los cuerpos y organismos encargados de hacer cumplir la ley pueden ajustar YOLO12 para analizar grabaciones de vigilancia y recopilar pruebas. En las investigaciones criminales, la precisión es esencial para identificar detalles clave.
• Agricultura de precisión: Los agricultores pueden utilizar YOLO12 para analizar el estado de los cultivos, detectar enfermedades o infestaciones de plagas y supervisar las condiciones del suelo. Las evaluaciones precisas ayudan a optimizar las estrategias agrícolas, lo que se traduce en un mayor rendimiento y una mejor gestión de los recursos.

Primeros pasos con YOLO12#

Antes de ejecutar YOLO12, es importante asegurarte de que tu sistema cumple los requisitos necesarios.

Desde el punto de vista técnico, YOLO12 puede ejecutarse en cualquier GPU (unidad de procesamiento gráfico) dedicada. De forma predeterminada, no necesita FlashAttention, por lo que puede funcionar en la mayoría de los sistemas con GPU sin esta tecnología. Sin embargo, activar FlashAttention puede ser especialmente útil al trabajar con conjuntos de datos grandes o imágenes de alta resolución, ya que ayuda a evitar ralentizaciones, reducir el uso de memoria y mejorar la eficiencia del procesamiento.

Para utilizar FlashAttention, necesitarás una GPU NVIDIA de una de estas series: Turing (T4, Quadro RTX), Ampere (serie RTX 30, A30, A40, A100), Ada Lovelace (serie RTX 40) o Hopper (H100, H200).

Teniendo en cuenta la facilidad de uso y la accesibilidad, el paquete de Python de Ultralytics todavía no es compatible con la inferencia mediante FlashAttention, ya que su instalación puede ser bastante compleja desde el punto de vista técnico. Para obtener más información sobre cómo empezar a usar YOLO12 y optimizar su rendimiento, consulta la documentación oficial de Ultralytics.

Conclusiones clave#

A medida que avanza la visión artificial, los modelos son cada vez más precisos y eficientes. YOLO12 mejora tareas de visión artificial como la detección de objetos, la segmentación de instancias y la clasificación de imágenes mediante un procesamiento centrado en la atención y FlashAttention, lo que aumenta la precisión y optimiza el uso de la memoria.

Al mismo tiempo, la visión artificial es más accesible que nunca. YOLO12 es fácil de utilizar mediante el paquete de Python de Ultralytics y, gracias a su enfoque en la precisión por encima de la velocidad, se adapta especialmente bien a la imagen médica, las inspecciones industriales y la robótica: aplicaciones en las que la precisión es fundamental.

¿Te interesa la AI? Visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre innovaciones en sectores como la AI en los coches autónomos y la visión artificial en la agricultura en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y haz realidad tus proyectos de AI aplicada a la visión. 🚀