Object Detection

La detección de objetos es la tarea de visión artificial que consiste en encontrar cada instancia de un conjunto de clases conocidas en una imagen o un fotograma de vídeo e indicar dónde está cada una. Para cada objeto, devuelve un cuadro delimitador, una etiqueta de clase y una puntuación de confianza, de modo que una foto de una calle se convierte en una lista de cuadros etiquetados, uno por cada coche, persona o semáforo. Esa lista sirve de entrada para el recuento, la medición, el seguimiento y el control de robots.

Qué devuelve un detector#

Cada detección consta de tres partes. La caja se almacena como coordenadas de las esquinas (x1, y1, x2, y2) o como un punto central con anchura y altura, en píxeles o normalizadas respecto al tamaño de la imagen. La clase es un índice del conjunto de etiquetas del modelo, como las 80 categorías del conjunto de datos COCO. La puntuación, entre 0 y 1, indica la probabilidad de que la caja contenga esa clase, y las aplicaciones solo conservan las detecciones que superan un umbral de confianza, con el equilibrio correspondiente entre objetos no detectados y falsas alarmas.

from ultralytics import YOLO

# Load a YOLO26 nano detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# Run detection on one image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detection carries a class, a confidence score, and a box in pixels
for box in result.boxes:
    name = result.names[int(box.cls)]
    corners = box.xyxy[0].int().tolist()
    print(f"{name} {box.conf.item():.2f} {corners}")

Cada línea impresa corresponde a un objeto detectado: su nombre de clase, su confianza y las coordenadas en píxeles de las esquinas superior izquierda e inferior derecha.

Cómo funcionan los detectores de objetos#

Los detectores modernos son redes neuronales con tres etapas. Una red troncal, normalmente una red convolucional o un Transformer de visión, convierte la imagen en mapas de características. Un cuello, como una red piramidal de características, combina esos mapas a distintas escalas para representar tanto objetos pequeños como grandes. A continuación, una cabeza de detección predice puntuaciones de clase y coordenadas de cuadros en miles de posiciones. Las posiciones vecinas se activan ante el mismo objeto, por lo que la salida sin procesar contiene muchos candidatos superpuestos; la mayoría de las canalizaciones descartan los cuadros con puntuaciones bajas y aplican la supresión no máxima (NMS) para conservar un cuadro por objeto. Los detectores de extremo a extremo, como DETR, se entrenan para emitir exactamente una predicción por objeto, así que omiten ese paso.

Los diseños de detectores se diferencian en cómo encuentran candidatos. Los detectores de dos etapas, como Faster R-CNN, primero proponen regiones que podrían contener un objeto y luego clasifican y refinan cada una. Los detectores de una etapa, como YOLO, presentado en 2015, predicen todos los cuadros y clases en una sola pasada, lo que hizo viable la detección en tiempo real. Los primeros modelos de una etapa regresaban desplazamientos desde cuadros de anclaje predefinidos, mientras que los detectores sin anclajes predicen directamente las distancias desde un punto de la cuadrícula hasta los cuatro bordes del cuadro. YOLO26 es un detector de una etapa y sin anclajes que aplica NMS de forma predeterminada; al pasar nms=False, se cambia a una cabeza uno a uno que genera los cuadros finales sin aplicar NMS.

Entrenamiento y evaluación#

Los detectores aprenden a partir de imágenes anotadas con un cuadro y una clase para cada objeto. Durante el entrenamiento, un paso de asignación de etiquetas decide qué predicciones corresponden a cada objeto etiquetado, y la función de pérdida combina un término de clasificación con otro de regresión de cuadros, normalmente basado en la intersección sobre unión (IoU), que mide el solapamiento entre un cuadro predicho y uno etiquetado. La evaluación vuelve a utilizar IoU: una detección cuenta como correcta cuando su clase coincide y su IoU con un cuadro etiquetado alcanza un umbral. La precisión media (mAP) resume después la precisión y la exhaustividad para todos los niveles de confianza y todas las clases. COCO informa de mAP₅₀, calculada con una IoU de 0,5, y utiliza mAP_50-95, promediada en diez umbrales de IoU entre 0,50 y 0,95, como métrica principal. La clasificación de VLM utiliza mAP₅₀ para comparar modelos de lenguaje y visión que detectan objetos a partir únicamente de los nombres de las clases. Ultralytics Platform utiliza estos modelos para anotar automáticamente conjuntos de datos de detección antes de entrenar YOLO26 con las etiquetas.

Aplicaciones en el mundo real#

• Conducción autónoma: Los sistemas de asistencia al conductor y de conducción autónoma detectan vehículos, peatones, ciclistas y señales de tráfico en cada fotograma de la cámara; el seguimiento y la planificación del movimiento actúan sobre esos cuadros.
• Comercio minorista: Las cámaras de los estantes detectan productos y huecos vacíos para señalar artículos agotados, y los sistemas de autopago detectan los artículos que se colocan en la caja.
• Inspección de fabricación: Las cámaras de la línea detectan arañazos, abolladuras y componentes ausentes para rechazar las piezas defectuosas a medida que pasan.

Detección de objetos frente a tareas relacionadas#

• Clasificación de imágenes asigna una etiqueta a toda la imagen y no indica ninguna ubicación.
• Segmentación de instancias delimita cada objeto detectado con una máscara de píxeles que sigue su forma exacta.
• Cuadros delimitadores orientados añaden un ángulo de rotación a cada cuadro para ajustarlo a objetos inclinados, como barcos y vehículos en imágenes aéreas.
• Seguimiento de objetos vincula las detecciones del mismo objeto entre fotogramas de vídeo y asigna a cada uno un ID persistente.
• Detección de objetos 3D predice un cuadro en el espacio 3D, descrito por su centro, su longitud, anchura y altura en metros, y su ángulo de orientación.