Ultralytics Tareas YOLO11
YOLO11 is an AI framework that supports multiple computer vision tasks. The framework can be used to perform detection, segmentation, obb, classification, and pose estimation. Each of these tasks has a different objective and use case.
Observa: Explore Ultralytics YOLO Tasks: Detección de objetos, Segmentation, OBB, Tracking, and Pose Estimation.
Detección
Detection is the primary task supported by YOLO11. It involves detecting objects in an image or video frame and drawing bounding boxes around them. The detected objects are classified into different categories based on their features. YOLO11 can detect multiple objects in a single image or video frame with high accuracy and speed.
Segmentación
Segmentation is a task that involves segmenting an image into different regions based on the content of the image. Each region is assigned a label based on its content. This task is useful in applications such as image segmentation and medical imaging. YOLO11 uses a variant of the U-Net architecture to perform segmentation.
Clasificación
La clasificación es una tarea que consiste en clasificar una imagen en diferentes categorías. YOLO11 puede utilizarse para clasificar imágenes basándose en su contenido. Utiliza una variante de la arquitectura EfficientNet para realizar la clasificación.
Pose
La detección de pose/puntos clave es una tarea que consiste en detectar puntos específicos en un fotograma de imagen o vídeo. Estos puntos se denominan puntos clave y se utilizan para seguir el movimiento o estimar la pose. YOLO11 puede detectar puntos clave en un fotograma de imagen o vídeo con gran precisión y velocidad.
OBB
La detección de objetos orientados va un paso más allá que la detección de objetos normal, introduciendo un ángulo adicional para localizar objetos con mayor precisión en una imagen. YOLO11 puede detectar objetos girados en una imagen o fotograma de vídeo con gran precisión y velocidad.
Conclusión
YOLO11 admite múltiples tareas, como la detección, la segmentación, la clasificación, la detección de objetos orientados y la detección de puntos clave. Cada una de estas tareas tiene objetivos y casos de uso diferentes. Si comprendes las diferencias entre estas tareas, podrás elegir la tarea adecuada para tu aplicación de visión por ordenador.
PREGUNTAS FRECUENTES
¿Qué tareas puede realizar Ultralytics YOLO11?
Ultralytics YOLO11 es un marco de IA versátil capaz de realizar diversas tareas de visión por ordenador con gran precisión y velocidad. Estas tareas incluyen
- Detección: Identificar y localizar objetos en imágenes o fotogramas de vídeo dibujando cuadros delimitadores a su alrededor.
- Segmentación: Segmentación de imágenes en diferentes regiones en función de su contenido, útil para aplicaciones como las imágenes médicas.
- Clasificación: Categorización de imágenes enteras en función de su contenido, aprovechando variantes de la arquitectura EfficientNet.
- Estimación de la pose: Detección de puntos clave específicos en un fotograma de imagen o vídeo para rastrear movimientos o poses.
- Detección de Objetos Orientados (OBB): Detección de objetos girados con un ángulo de orientación añadido para mejorar la precisión.
¿Cómo utilizo Ultralytics YOLO11 para la detección de objetos?
Para utilizar Ultralytics YOLO11 para la detección de objetos, sigue estos pasos:
- Prepara tu conjunto de datos en el formato adecuado.
- Entrena el modelo YOLO11 utilizando la tarea de detección.
- Utiliza el modelo para hacer predicciones introduciendo nuevas imágenes o fotogramas de vídeo.
Ejemplo
from ultralytics import YOLO
# Load a pre-trained YOLO model (adjust model type as needed)
model = YOLO("yolo11n.pt") # n, s, m, l, x versions available
# Perform object detection on an image
results = model.predict(source="image.jpg") # Can also use video, directory, URL, etc.
# Display the results
results[0].show() # Show the first image results
Para obtener instrucciones más detalladas, consulta nuestros ejemplos de detección.
¿Cuáles son las ventajas de utilizar YOLO11 para tareas de segmentación?
Utilizar YOLO11 para tareas de segmentación ofrece varias ventajas:
- Alta precisión: La tarea de segmentación aprovecha una variante de la arquitectura U-Net para lograr una segmentación precisa.
- Speed: YOLO11 is optimized for real-time applications, offering quick processing even for high-resolution images.
- Múltiples aplicaciones: Es ideal para imágenes médicas, conducción autónoma y otras aplicaciones que requieran una segmentación detallada de las imágenes.
Learn more about the benefits and use cases of YOLO11 for segmentation in the segmentation section.
¿Puede Ultralytics YOLO11 manejar la estimación de la pose y la detección de puntos clave?
Sí, Ultralytics YOLO11 puede realizar eficazmente la estimación de la pose y la detección de puntos clave con gran precisión y velocidad. Esta función es especialmente útil para el seguimiento de movimientos en aplicaciones de análisis deportivo, asistencia sanitaria e interacción persona-ordenador. YOLO11 detecta puntos clave en un fotograma de imagen o vídeo, lo que permite una estimación precisa de la pose.
Para más detalles y consejos de aplicación, visita nuestros ejemplos de estimación de pose.
¿Por qué elegir Ultralytics YOLO11 para la detección de objetos orientados (OBB)?
Oriented Object Detection (OBB) with YOLO11 provides enhanced precision by detecting objects with an additional angle parameter. This feature is beneficial for applications requiring accurate localization of rotated objects, such as aerial imagery analysis and warehouse automation.
- Mayor precisión: El componente angular reduce los falsos positivos de los objetos girados.
- Aplicaciones versátiles: Útil para tareas de análisis geoespacial, robótica, etc.
Consulta la sección Detección de Objetos Orientados para obtener más detalles y ejemplos.
