Selección e Instalación de Modelos YOLO para Detección de Objetos

Contenido del curso

Introducción y Visión General de SecureVision AI

Procesamiento de Imágenes y Fundamentos de OpenCV

Segmentación de Imágenes con YOLO

Detección de Objetos con YOLO

Pose Estimation con Mediapipe

Entrenamiento y Creación de Modelos Personalizados con YOLO

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:004:03

Selección e Instalación de Modelos YOLO para Detección de Objetos

Curso de Visión Artificial con Python

Clase 7 de 16

Clase 7 / 16

Recursos

La detección de objetos es una tecnología fundamental en el campo de la visión por computadora, permitiendo a las máquinas identificar y localizar elementos específicos dentro de imágenes o videos. En el contexto de negocios minoristas, esta capacidad resulta invaluable para analizar el comportamiento de los clientes y optimizar operaciones. Veamos cómo implementar un sistema de conteo de personas utilizando modelos de detección de objetos de Ultralytics.

¿Cómo seleccionar el modelo adecuado para detección de objetos?

Ultralytics ofrece cinco modelos diferentes para la detección de objetos, cada uno con características específicas que los hacen más o menos adecuados según el caso de uso. Estos modelos varían en tamaño y complejidad:

YOLOv11n (nano): El más pequeño y menos complejo
YOLOv11s (small): Tamaño pequeño
YOLOv11m (medium): Tamaño mediano
YOLOv11l (large): Tamaño grande
YOLOv11xl (extra large): El más grande y complejo

Todos estos modelos comparten el mismo tamaño de imagen de entrada (640x640 píxeles), pero difieren significativamente en otros aspectos:

MAP (Mean Average Precision): Aumenta con la complejidad del modelo
Latencia: Tanto en CPU como en GPU T4, incrementa conforme crece la complejidad
Parámetros: Desde 2.6 millones en el modelo nano hasta 56.9 millones en el XL
FLOPS (operaciones de punto flotante): Medida de rendimiento que indica cuántas operaciones se necesitan para procesar una imagen

Para entornos con hardware limitado donde se puede tolerar cierta latencia, el modelo YOLOv11n resulta la opción más adecuada por su menor complejidad y requisitos de recursos.

¿Cómo implementar la detección de objetos con Ultralytics?

Para implementar la detección de objetos utilizando Ultralytics, necesitamos seguir estos pasos:

Instalación de dependencias

Lo primero es instalar la librería Ultralytics en nuestro entorno:

# Instalación de la librería
!pip install ultralytics

Descarga del modelo pre-entrenado

Existen dos formas principales de descargar el modelo YOLOv11n:

Método directo usando la librería:

from ultralytics import YOLO

# Descarga del modelo YOLOv11n
model = YOLO('yolov11n')

Es importante notar que "YOLO" se escribe con mayúsculas, mientras que "yolov11n" va en minúsculas.

Método alternativo usando wget (Plan B):

Si el método anterior falla, podemos descargar el modelo directamente desde su URL:

!wget https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov11n.pt

Una vez descargado el modelo, podemos cargarlo directamente desde el archivo local:

model = YOLO('yolov11n.pt')

Esto evita tener que descargar el modelo nuevamente cada vez que ejecutemos nuestro código.

Características del modelo pre-entrenado

El modelo YOLOv11n viene pre-entrenado con el dataset COCO, lo que le permite detectar 80 tipos de objetos comunes, incluyendo:

Personas
Animales (gatos, perros, etc.)
Vehículos
Diferentes tipos de comida
Objetos cotidianos

Esta capacidad de detección previa hace que el modelo sea inmediatamente útil para muchas aplicaciones, incluido el conteo de personas en un establecimiento comercial.

¿Cómo aplicar la detección de objetos al conteo de personas?

Para el caso específico de nuestro cliente en SecurityVision AI, que ya conoce cómo se desplazan las personas en su local pero ahora necesita contarlas, la implementación del modelo YOLOv11n resulta ideal.

Beneficios de esta solución:

Bajo consumo de recursos: Al utilizar el modelo más pequeño, podemos implementarlo incluso en hardware con limitaciones.
Precisión adecuada: Aunque no es el modelo más preciso, ofrece un balance adecuado entre rendimiento y recursos.
Facilidad de implementación: Con pocos pasos podemos tener un sistema funcional.

Una vez implementado el modelo, podemos procesar el video de las cámaras de seguridad para detectar y contar personas en tiempo real, proporcionando información valiosa para la toma de decisiones comerciales.

La detección de objetos con Ultralytics representa una solución potente y accesible para el conteo de personas en entornos comerciales. ¿Has implementado alguna vez sistemas de visión por computadora en tus proyectos? Comparte tu experiencia en los comentarios.

Resumen

¿Cómo seleccionar el modelo adecuado para detección de objetos?

YOLOv11n (nano): El más pequeño y menos complejo
YOLOv11s (small): Tamaño pequeño
YOLOv11m (medium): Tamaño mediano
YOLOv11l (large): Tamaño grande
YOLOv11xl (extra large): El más grande y complejo

Todos estos modelos comparten el mismo tamaño de imagen de entrada (640x640 píxeles), pero difieren significativamente en otros aspectos:

MAP (Mean Average Precision): Aumenta con la complejidad del modelo
Latencia: Tanto en CPU como en GPU T4, incrementa conforme crece la complejidad
Parámetros: Desde 2.6 millones en el modelo nano hasta 56.9 millones en el XL
FLOPS (operaciones de punto flotante): Medida de rendimiento que indica cuántas operaciones se necesitan para procesar una imagen

Para entornos con hardware limitado donde se puede tolerar cierta latencia, el modelo YOLOv11n resulta la opción más adecuada por su menor complejidad y requisitos de recursos.

¿Cómo implementar la detección de objetos con Ultralytics?

Para implementar la detección de objetos utilizando Ultralytics, necesitamos seguir estos pasos:

Instalación de dependencias

Lo primero es instalar la librería Ultralytics en nuestro entorno:

# Instalación de la librería
!pip install ultralytics

Descarga del modelo pre-entrenado

Existen dos formas principales de descargar el modelo YOLOv11n:

Método directo usando la librería:

from ultralytics import YOLO

# Descarga del modelo YOLOv11n
model = YOLO('yolov11n')

Es importante notar que "YOLO" se escribe con mayúsculas, mientras que "yolov11n" va en minúsculas.

Método alternativo usando wget (Plan B):

Si el método anterior falla, podemos descargar el modelo directamente desde su URL:

!wget https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov11n.pt

Una vez descargado el modelo, podemos cargarlo directamente desde el archivo local:

model = YOLO('yolov11n.pt')

Esto evita tener que descargar el modelo nuevamente cada vez que ejecutemos nuestro código.

Características del modelo pre-entrenado

El modelo YOLOv11n viene pre-entrenado con el dataset COCO, lo que le permite detectar 80 tipos de objetos comunes, incluyendo:

Personas
Animales (gatos, perros, etc.)
Vehículos
Diferentes tipos de comida
Objetos cotidianos

Esta capacidad de detección previa hace que el modelo sea inmediatamente útil para muchas aplicaciones, incluido el conteo de personas en un establecimiento comercial.

¿Cómo aplicar la detección de objetos al conteo de personas?

Beneficios de esta solución:

Bajo consumo de recursos: Al utilizar el modelo más pequeño, podemos implementarlo incluso en hardware con limitaciones.
Precisión adecuada: Aunque no es el modelo más preciso, ofrece un balance adecuado entre rendimiento y recursos.
Facilidad de implementación: Con pocos pasos podemos tener un sistema funcional.

Introducción y Visión General de SecureVision AI

Cómo contar personas en video con YOLO

Detección, segmentación y pose estimation

Procesamiento de Imágenes y Fundamentos de OpenCV

Procesamiento de Imágenes en Tiempo Real con OpenCV y Python

Creación de Mapas de Calor para Análisis de Tránsito en Videos

Segmentación de Imágenes con YOLO

Segmentación en tiempo real con YOLOv11

Heatmap de personas con YOLO y OpenCV

Detección de Objetos con YOLO

Selección e Instalación de Modelos YOLO para Detección de Objetos

Implementación de Detector de Objetos con Yolo v11

Conteo de Clientes en Locales con Yolo y OpenCV

Pose Estimation con Mediapipe

Mapa de Calor con MediaPy para Análisis de Producto

Seguimiento de mirada con Face Mesh

Creación de mapas de calor para seguimiento ocular en videos

Entrenamiento y Creación de Modelos Personalizados con YOLO

Detección de Fallas de Soldadura con YOLO y Modelos Personalizados

Ajuste de Hiperparámetros en Modelos de Aprendizaje Automático

Etiquetado de Imágenes con Label Studio y Exportación a Yolo

Casos reales de visión artificial con YOLO

Selección e Instalación de Modelos YOLO para Detección de Objetos

Progreso del curso

Introducción y Visión General de SecureVision AI

Procesamiento de Imágenes y Fundamentos de OpenCV

Segmentación de Imágenes con YOLO

Detección de Objetos con YOLO

Pose Estimation con Mediapipe

Entrenamiento y Creación de Modelos Personalizados con YOLO

Recursos

Recursos