Ultralytics YOLO11 Tareas

YOLO11 es un marco de IA que soporta múltiples tareas de visión por ordenador. El marco puede utilizarse para realizar tareas de detección, segmentación, obb, clasificación y estimación de la pose. Cada una de estas tareas tiene un objetivo y un caso de uso diferentes.

Observa: Explore Ultralytics YOLO Tareas: Detección de objetosSegmentación, OBB, seguimiento y estimación de la pose.

Detección

La detección es la tarea principal de YOLO11. Consiste en detectar objetos en una imagen o un fotograma de vídeo y dibujar recuadros a su alrededor. Los objetos detectados se clasifican en distintas categorías en función de sus características. YOLO11 puede detectar múltiples objetos en una sola imagen o fotograma de vídeo con gran precisión y rapidez.

Ejemplos de detección

Segmentación

La segmentación es una tarea que consiste en segmentar una imagen en diferentes regiones basándose en el contenido de la imagen. A cada región se le asigna una etiqueta basada en su contenido. Esta tarea es útil en aplicaciones como la segmentación de imágenes y la obtención de imágenes médicas. YOLO11 utiliza una variante de la arquitectura U-Net para realizar la segmentación.

Ejemplos de segmentación

Clasificación

La clasificación es una tarea que consiste en clasificar una imagen en diferentes categorías. YOLO11 puede utilizarse para clasificar imágenes en función de su contenido. Utiliza una variante de la arquitectura EfficientNet para realizar la clasificación.

Ejemplos de clasificación

Pose

La detección de pose/puntos clave es una tarea que consiste en detectar puntos específicos en una imagen o un fotograma de vídeo. Estos puntos se denominan puntos clave y se utilizan para rastrear el movimiento o estimar la pose. YOLO11 puede detectar puntos clave en un fotograma de imagen o vídeo con gran precisión y rapidez.

Ejemplos de poses

OBB

La detección de objetos orientados va un paso más allá de la detección de objetos normal, ya que introduce 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 rapidez.

Detección orientada

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 comprende las diferencias entre estas tareas, podrá elegir la tarea adecuada para su 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 recuadros 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 poses: 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 se utiliza Ultralytics YOLO11 para la detección de objetos?

Para utilizar Ultralytics YOLO11 para la detección de objetos, siga estos pasos:

1. Prepare su conjunto de datos en el formato adecuado.
2. Entrenar el modelo YOLO11 utilizando la tarea de detección.
3. Utiliza el modelo para hacer predicciones introduciendo nuevas imágenes o fotogramas de vídeo.

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

# Run YOLO detection from the command line
yolo detect model=yolo11n.pt source="image.jpg"  # Adjust model and source as needed

Para obtener instrucciones más detalladas, consulte nuestros ejemplos de detección.

¿Cuáles son las ventajas de utilizar YOLO11 para las tareas de segmentación?

El uso de YOLO11 para tareas de segmentación ofrece varias ventajas:

1. Alta precisión: La tarea de segmentación aprovecha una variante de la arquitectura U-Net para lograr una segmentación precisa.
2. Velocidad: YOLO11 está optimizado para aplicaciones en tiempo real, ofreciendo un procesamiento rápido incluso para imágenes de alta resolución.
3. Múltiples aplicaciones: Es ideal para imágenes médicas, conducción autónoma y otras aplicaciones que requieren una segmentación detallada de las imágenes.

Obtenga más información sobre las ventajas y los casos de uso de YOLO11 para la segmentación en la sección de segmentación.

¿Puede Ultralytics YOLO11 gestionar 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 resulta 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 implementación, visite nuestros ejemplos de estimación de pose.

¿Por qué elegir Ultralytics YOLO11 para la detección de objetos orientados (OBB)?

La detección de objetos orientados (OBB) con YOLO11 proporciona una mayor precisión al detectar objetos con un parámetro de ángulo adicional. Esta función es beneficiosa para aplicaciones que requieren una localización precisa de objetos girados, como el análisis de imágenes aéreas y la automatización de almacenes.

• Mayor precisión: El componente angular reduce los falsos positivos de objetos rotados.
• Aplicaciones versátiles: Útil para tareas de análisis geoespacial, robótica, etc.

Consulte la sección Detección de objetos orientados para obtener más detalles y ejemplos.

Creado hace 1 año ✏️ Actualizado hace 17 días

Comentarios