Detección de objetos

La detección de objetos es una tarea fundamental de la visión por ordenador (VC ) que consiste en identificar la presencia, la ubicación y el tipo de uno o varios objetos dentro de una imagen o un vídeo. A diferencia de la clasificación de imágenes, que asigna una única etiqueta a toda la imagen (por ejemplo, "gato"), la detección de objetos delimita con precisión cada instancia de objeto mediante un cuadro delimitador y le asigna una etiqueta de clase (por ejemplo, "gato" en las coordenadas x, y, anchura, altura). Esta capacidad permite a las máquinas comprender escenas visuales con mayor granularidad, imitando más de cerca la percepción visual humana y permitiendo interacciones más complejas con el entorno. Se trata de una tecnología esencial para muchas aplicaciones modernas de inteligencia artificial (IA).

Cómo funciona la detección de objetos

La detección de objetos suele combinar dos tareas básicas: clasificación de objetos (determinar "qué" objeto está presente) y localización de objetos (determinar "dónde" se encuentra el objeto, normalmente mediante coordenadas de cuadro delimitador). Los sistemas modernos de detección de objetos se basan en gran medida en el aprendizaje profundo (deep learning, DL), en particular en las redes neuronales convolucionales (Convolutional Neural Networks, CNN). Estas redes se entrenan en grandes conjuntos de datos anotados, como el popular conjunto de datos COCO o Open Images V7, para aprender características visuales y patrones asociados con diferentes clases de objetos.

Durante la operación (conocida como inferencia), el modelo entrenado procesa una imagen de entrada o un fotograma de vídeo. Produce una lista de objetos potenciales, cada uno representado por un cuadro delimitador, una etiqueta de clase prevista (por ejemplo, "coche", "persona", "perro") y una puntuación de confianza que indica la certeza del modelo sobre la detección. A menudo se utilizan técnicas como la supresión no máxima (NMS) para refinar estos resultados eliminando los recuadros redundantes y superpuestos del mismo objeto. El rendimiento de estos modelos suele evaluarse mediante parámetros como la intersección sobre la unión (IoU) y la precisión media (mAP).

Detección de objetos frente a tareas relacionadas

Es importante distinguir la detección de objetos de otras tareas relacionadas con la visión por ordenador:

• Clasificación de imágenes: Asigna una única etiqueta a toda una imagen (por ejemplo, "Esta imagen contiene un perro"). No localiza el objeto u objetos.
• Segmentación de imágenes: Clasifica cada píxel de una imagen, creando un mapa detallado de los límites de los objetos. Es más granular que los cuadros delimitadores de la detección de objetos.
  • Segmentación semántica: Asigna una etiqueta de clase a cada píxel (por ejemplo, todos los píxeles pertenecientes a "coches" se etiquetan como "coche"). No distingue entre diferentes instancias de la misma clase.
  • Segmentación de instancias: Asigna una etiqueta de clase a cada píxel y diferencia entre instancias individuales de la misma clase (por ejemplo, "coche 1", "coche 2"). Combina detección y segmentación.
• Seguimiento de objetos: Consiste en detectar objetos en fotogramas de vídeo consecutivos y asignar un identificador único a cada objeto para seguir su movimiento a lo largo del tiempo. Se basa en la detección de objetos.

Tipos de modelos de detección de objetos

Por lo general, los modelos de detección de objetos se dividen en dos categorías principales, que difieren principalmente en su enfoque y en las compensaciones entre velocidad y precisión:

• Detectores de objetos de dos etapas: Estos modelos proponen en primer lugar regiones de interés (RoI) en las que podrían encontrarse objetos y, a continuación, clasifican los objetos dentro de esas regiones. Algunos ejemplos son la familia R-CNN (Fast R-CNN, Faster R-CNN). A menudo consiguen una gran precisión, pero suelen ser más lentos.
• Detectores de objetos de una etapa: Estos modelos predicen directamente los recuadros delimitadores y las probabilidades de clase a partir de la imagen de entrada en una sola pasada, sin un paso separado de propuesta de regiones. Algunos ejemplos son la serie YOLO (You Only Look Once) de Ultralytics, SSD (Single Shot MultiBox Detector) y RetinaNet. Suelen ser más rápidos, lo que los hace adecuados para la inferencia en tiempo real, a veces a costa de una precisión ligeramente inferior en comparación con los métodos de dos etapas, aunque modelos como YOLO11 salvan eficazmente esta distancia. Los enfoques más recientes, como los detectores sin anclas, simplifican aún más el proceso de una etapa. Puede explorar las comparaciones entre diferentes modelos YOLO y otras arquitecturas como RT-DETR.

Aplicaciones reales

La detección de objetos es una tecnología fundamental que permite numerosas aplicaciones en diversos sectores:

1. Sistemas autónomos: Esenciales para los coches autoconducidos y la robótica, que permiten a los vehículos y robots percibir su entorno detectando peatones, otros vehículos, obstáculos, señales de tráfico y elementos específicos para interactuar. Empresas como Tesla y Waymo dependen en gran medida de una sólida detección de objetos.
2. Seguridad y vigilancia: Se utiliza en sistemas de alarma de seguridad para detectar intrusos, controlar multitudes(Vision AI in Crowd Management), identificar objetos abandonados y mejorar la eficacia de la vigilancia en espacios públicos y propiedades privadas.
3. Análisis de minoristas: Impulsa aplicaciones como los sistemas de caja automatizados, la gestión de inventario impulsada por IA, la supervisión de estanterías (detección de artículos agotados) y el análisis de los patrones de tráfico peatonal de los clientes.
4. Sanidad: Se aplica en el análisis de imágenes médicas para detectar anomalías como tumores(Using YOLO11 for Tumor Detection) o lesiones en radiografías, tomografías computarizadas y resonancias magnéticas, ayudando a los radiólogos en el diagnóstico(Radiology: Artificial Intelligence).
5. Agricultura: Permite técnicas de agricultura de precisión, como la detección de plagas, enfermedades y malas hierbas, el recuento de frutos(visión por ordenador en agricultura) y el control de la salud de los cultivos(soluciones de IA en agricultura).
6. Fabricación: Se utiliza para el control de calidad mediante la detección de defectos en los productos de las cadenas de montaje(Inspección de calidad en la fabricación), garantizar la seguridad mediante la vigilancia de zonas peligrosas y automatizar tareas robóticas.

Herramientas y formación

El desarrollo y despliegue de modelos de detección de objetos implica diversas herramientas y técnicas. Los marcos de aprendizaje profundo más conocidos, como PyTorch y TensorFlow, proporcionan las bibliotecas básicas. Bibliotecas de visión por ordenador como OpenCV ofrecen funciones esenciales de procesamiento de imágenes.

Ultralytics proporciona modelos Ultralytics YOLO de última generación, incluidos YOLOv8 y YOLO11, optimizados para ofrecer velocidad y precisión. La plataforma Ultralytics HUB simplifica aún más el flujo de trabajo, ofreciendo herramientas para gestionar conjuntos de datos, entrenar modelos personalizados, realizar el ajuste de hiperparámetros y facilitar el despliegue de modelos. El entrenamiento eficaz de modelos suele beneficiarse de estrategias de aumento de datos y de técnicas como el aprendizaje por transferencia, que utiliza pesos preentrenados de conjuntos de datos como ImageNet.