Bounding Box

Un cuadro delimitador es el rectángulo alineado con los ejes más pequeño que contiene un objeto en una imagen o fotograma de vídeo, y se describe con cuatro números. Es la unidad de salida de la detección de objetos: un detector devuelve un cuadro por objeto junto con una etiqueta de clase y una puntuación de confianza, y los anotadores dibujan los mismos cuadros en los datos de entrenamiento para enseñar al modelo. Un cuadro indica la ubicación de un objeto y su tamaño aproximado sin delinear su forma, por lo que los cuadros son rápidos de etiquetar y baratos de predecir.

Formatos de coordenadas#

Las coordenadas de la imagen empiezan en la esquina superior izquierda: x crece hacia la derecha e y hacia abajo. Cada formato de cuadro almacena cuatro números, pero los conjuntos de datos y las bibliotecas no coinciden en cuáles son; confundirlos desplaza o estira silenciosamente todos los cuadros.

• Esquinas (xyxy): la esquina superior izquierda (x1, y1) y la esquina inferior derecha (x2, y2), en píxeles. Las anotaciones de PASCAL VOC y la mayoría de las funciones de dibujo e IoU usan este formato.
• Formato COCO: la esquina superior izquierda seguida del ancho y el alto, [x, y, ancho, alto], en píxeles.
• Formato YOLO: el centro del cuadro seguido de su ancho y alto, cada uno dividido por el ancho o el alto de la imagen para que todos los valores estén entre 0 y 1. Los modelos Ultralytics YOLO, como YOLO26, se entrenan con un archivo de texto por imagen y una fila por objeto: el índice de clase, seguido de x_center, y_center, width y height.

Las coordenadas normalizadas se mantienen al cambiar el tamaño: se puede escalar una imagen a cualquier resolución de entrenamiento sin reescribir sus etiquetas, porque los cuadros se almacenan como fracciones del tamaño de la imagen.

from ultralytics import YOLO

# Carga un detector nano YOLO26 preentrenado
model = YOLO("yolo26n.pt")

# Detecta objetos y extrae los cuadros de la primera imagen
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes

# El mismo primer cuadro en cuatro formatos
print(boxes.xyxy[0])  # esquinas en píxeles
print(boxes.xywh[0])  # centro, ancho y alto en píxeles
print(boxes.xyxyn[0])  # esquinas divididas por el ancho y el alto de la imagen
print(boxes.xywhn[0])  # centro y tamaño divididos por el tamaño de la imagen, como en las etiquetas YOLO

Las cuatro líneas describen un mismo rectángulo. Las versiones normalizadas dividen los valores en píxeles por el tamaño de la imagen, 810 × 1080, y xywh se mide desde el centro del cuadro, por lo que difiere del xywh de COCO, que parte de la esquina superior izquierda.

Cómo predicen cuadros los detectores#

Un detector predice cuadros como salidas de regresión en muchas posiciones de la imagen. Los diseños anteriores predecían desplazamientos respecto a cuadros de anclaje predefinidos, con tamaños y proporciones fijos, mientras que los detectores sin anclajes predicen directamente las distancias desde un punto de la cuadrícula hasta los cuatro bordes del cuadro. El entrenamiento compara los cuadros predichos y etiquetados mediante funciones de pérdida basadas en la intersección sobre unión (IoU). Como las posiciones cercanas predicen cuadros superpuestos para un mismo objeto, la supresión no máxima (NMS) elimina los duplicados durante la inferencia.

Etiquetado de cuadros delimitadores#

Un detector aprende a dibujar cuadros del mismo modo que están dibujadas sus etiquetas, así que las directrices de anotación de datos determinan la calidad de los cuadros. Las buenas directrices piden que los cuadros toquen los bordes visibles de cada objeto, que se etiqueten todas las instancias de todas las clases —ya que un objeto sin etiqueta enseña al modelo que es fondo— y que se aplique una regla fija a los objetos ocluidos y truncados, como encuadrar solo la parte visible. La evaluación sigue las mismas reglas, porque las predicciones se puntúan según su IoU con el cuadro etiquetado.

Cuadros delimitadores y otros tipos de regiones#

• Cuadros delimitadores orientados (OBB): un quinto valor, el ángulo de rotación, permite girar el cuadro para ajustarlo a objetos inclinados, como barcos o vehículos en imágenes aéreas, con mucho menos fondo en su interior.
• Segmentación de instancias: máscara por píxel que delinea la forma exacta de cada objeto.
• Puntos clave: puntos de referencia individuales, como las articulaciones del cuerpo para estimar la pose.
• Cuadros delimitadores 3D: cuboides en el espacio real, que suelen describirse con siete números: el centro (x, y, z), la longitud, el ancho y el alto en metros, y un ángulo de orientación.