Object Detection Architectures

Las arquitecturas de detección de objetos son los planos estructurales de las redes neuronales utilizadas para identificar y localizar elementos dentro de datos visuales. En el campo más amplio de la visión artificial (CV), estas arquitecturas definen cómo una máquina «ve» al procesar datos de píxeles sin procesar para convertirlos en información relevante. A diferencia de los modelos básicos de clasificación, que simplemente etiquetan una imagen, una arquitectura de detección de objetos está diseñada para generar una caja delimitadora, junto con una etiqueta de clase y una puntuación de confianza, para cada objeto distinto que encuentra. Este diseño estructural determina la velocidad, la precisión y la eficiencia computacional del modelo, por lo que es el factor decisivo al elegir un modelo para la inferencia en tiempo real o el análisis de alta precisión.

Componentes principales de una arquitectura#

Aunque los diseños específicos varían, la mayoría de las arquitecturas modernas comparten tres componentes fundamentales: el backbone, el neck y la cabeza. El backbone actúa como extractor principal de características. Normalmente es una red neuronal convolucional (CNN) preentrenada con un conjunto de datos grande como ImageNet, responsable de identificar formas básicas, bordes y texturas. Entre las opciones populares para los backbones se encuentran ResNet y CSPDarknet.

El neck conecta el backbone con las capas de salida finales. Su función es mezclar y combinar características de distintas etapas del backbone para garantizar que el modelo pueda detectar objetos de varios tamaños, un concepto conocido como fusión de características multiescala. En este punto, las arquitecturas suelen utilizar una red de pirámide de características (FPN) o una red de agregación de rutas (PANet) para enriquecer la información semántica que se transmite a las capas de predicción. Por último, la cabeza de detección procesa estas características fusionadas para predecir la clase específica y la ubicación mediante coordenadas de cada objeto.

Evolución: dos etapas frente a una etapa#

Históricamente, las arquitecturas se dividían en dos categorías principales. Los detectores de dos etapas, como la familia R-CNN, primero proponen regiones de interés (RoIs) en las que podrían existir objetos y después clasifican esas regiones en una segunda etapa. Aunque por lo general son precisos, a menudo requieren demasiados recursos computacionales para los dispositivos periféricos.

En cambio, los detectores de una etapa tratan la detección como un problema de regresión sencillo, asignando directamente los píxeles de la imagen a las coordenadas de las cajas delimitadoras y las probabilidades de clase en una sola pasada. Este enfoque, iniciado por la familia YOLO (Solo miras una vez), revolucionó el sector al permitir un rendimiento en tiempo real. Los avances modernos han culminado en modelos como YOLO26, que no solo ofrecen una velocidad superior, sino que también han adoptado arquitecturas de extremo a extremo sin NMS. Al eliminar la necesidad del posprocesamiento de la supresión de no máximos (NMS), estas arquitecturas más recientes reducen la variabilidad de la latencia, algo crucial para los sistemas críticos para la seguridad.

Aplicaciones en el mundo real#

La elección de la arquitectura influye directamente en el éxito de las soluciones de IA en distintos sectores.

• Automatización del comercio minorista: En los supermercados inteligentes, las arquitecturas eficientes de una etapa permiten sistemas de pago automatizados que reconocen al instante los productos en una cinta transportadora o en un carrito de la compra, reduciendo los tiempos de espera y los errores humanos.
• Diagnóstico médico: Las arquitecturas de alta precisión se utilizan en el análisis de imágenes médicas para detectar anomalías, como tumores, en radiografías o imágenes de resonancia magnética. En este caso, la capacidad de la arquitectura para conservar los detalles más precisos es más importante que la velocidad de procesamiento bruta.

Diferenciación de términos relacionados#

Es importante diferenciar las arquitecturas de detección de otras tareas similares de visión artificial:

• Frente a la clasificación de imágenes: Una arquitectura de clasificación de imágenes (como VGG o EfficientNet) asigna una única etiqueta a una imagen completa (por ejemplo, «gato»). No indica dónde está el gato ni si hay varios gatos, que es la función principal de las arquitecturas de detección.
• Frente a la segmentación de instancias: Mientras que la detección coloca una caja alrededor de un objeto, la segmentación de instancias identifica el contorno exacto, píxel a píxel (máscara), de cada objeto. Las arquitecturas de segmentación suelen ser extensiones de las arquitecturas de detección (por ejemplo, añaden una rama de máscara a la cabeza de detección).

Implementación con Ultralytics#

Los frameworks modernos han abstraído las complejidades de estas arquitecturas, lo que permite a los desarrolladores aprovechar diseños de vanguardia con un código mínimo. Con el paquete ultralytics, puedes cargar un modelo YOLO26 preentrenado y ejecutar inferencias de inmediato. Para los equipos que buscan gestionar sus conjuntos de datos y entrenar arquitecturas personalizadas en la nube, la plataforma Ultralytics simplifica todo el flujo de MLOps.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# This uses the model's architecture to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()