YOLO
Por qué importa
Los modelos YOLO son los caballos de batalla de la visión por computadora aplicada. Cuentan productos en estantes, detectan defectos en líneas de producción, siguen a los jugadores en transmisiones deportivas, miden el tráfico, guían drones y robots, y monitorean la fauna silvestre. Son lo bastante pequeños para correr en un teléfono, una cámara o una placa embebida barata, y se les puede hacer fine-tuning con un conjunto de datos propio en una tarde.
En una era de modelos multimodales gigantes, YOLO recuerda que un modelo pequeño y especializado suele ser la herramienta correcta. Es órdenes de magnitud más barato por imagen que un modelo de visión y lenguaje, y mucho más rápido.
En profundidad
YOLO significa «You Only Look Once» («solo miras una vez»). Antes de YOLO, los mejores detectores de objetos trabajaban en dos etapas: primero proponían regiones que podían contener algo y después clasificaban cada región. Eso era preciso, pero lento. En 2015, Joseph Redmon y sus colegas mostraron que una sola red neuronal podía mirar la imagen completa una vez y predecir directamente cada recuadro delimitador y su clase. El primer YOLO corría a 45 cuadros por segundo, lo bastante rápido para video en vivo, en una época en que los detectores precisos apenas lograban unos pocos.
Desde entonces, «YOLO» se ha vuelto menos un modelo único que un linaje: más de una docena de versiones de distintos equipos, todas construidas alrededor de la idea de una detección rápida en una sola etapa.
Cómo funciona
Un modelo YOLO es una red convolucional con tres partes: un backbone que extrae características, un neck que mezcla características de distintas escalas para que se vean tanto los objetos pequeños como los grandes, y un head que predice recuadros, puntuaciones de confianza y clases para ubicaciones de toda la imagen.
La salida en bruto contiene muchos recuadros superpuestos para el mismo objeto. Un paso de posprocesamiento llamado supresión de no máximos (NMS) conserva el mejor y elimina los duplicados. Algunas versiones recientes se entrenan para producir un solo recuadro por objeto y omiten la NMS por completo, lo que simplifica el despliegue.
Un árbol genealógico enredado
Redmon escribió las tres primeras versiones y luego dejó la investigación en visión por computadora en 2020, citando su preocupación por los usos militares y de vigilancia. El nombre siguió vivo sin dueño:
- YOLOv4 (2020) vino de Alexey Bochkovskiy y sus colegas.
- YOLOv5 (2020), YOLOv8 (2023) y YOLO11 (2024) vinieron de la empresa Ultralytics, cuyo paquete de Python fácil de usar hizo popular a YOLO mucho más allá de los investigadores.
- YOLOv6, v7, v9, v10 y versiones posteriores vinieron de diversos grupos académicos e industriales.
Los números de versión no forman una secuencia limpia de mejoras, y un número más alto no es automáticamente mejor para tu tarea. Los paquetes modernos de YOLO también van más allá de la detección: la misma familia se encarga de segmentación de instancias, estimación de pose, recuadros rotados y seguimiento.
Tamaños y métricas
Cada versión viene en varios tamaños, normalmente nano, small, medium, large y extra-large. Los modelos nano corren en tiempo real en un teléfono, mientras que los más grandes son más precisos pero necesitan una GPU. La precisión se reporta como mAP (mean average precision, precisión media promedio) sobre el conjunto de datos COCO, que tiene 80 clases de objetos cotidianos. Para tu propio proyecto, la velocidad y la precisión con tus datos y tu hardware importan más que las puntuaciones en COCO.
Entrenar el tuyo
Los modelos YOLO preentrenados solo conocen las 80 clases de COCO. Para cualquier otra cosa, haces fine-tuning: reúnes desde unos cientos hasta unos miles de imágenes, las etiquetas con recuadros delimitadores y entrenas durante una hora más o menos en una GPU. Etiquetar es el verdadero trabajo, y las herramientas construidas sobre Segment Anything o sobre modelos de visión y lenguaje pueden acelerarlo considerablemente. Para el despliegue, los modelos suelen exportarse a ONNX, TensorRT, Core ML o formatos similares.
Licencias y alternativas
Fíjate en la licencia. Los modelos de Ultralytics se publican bajo AGPL-3.0, que te obliga a publicar como código abierto el software que los use, a menos que compres una licencia comercial. Entre las alternativas con licencias permisivas están YOLOX y detectores en tiempo real basados en transformers, como RT-DETR y RF-DETR, que hoy igualan o superan la precisión de YOLO.
Los detectores de vocabulario abierto, como YOLO-World y Grounding DINO, encuentran objetos descritos en texto sin ningún entrenamiento, a cierto costo en velocidad y precisión. Los modelos de visión y lenguaje también pueden detectar objetos y son útiles para prototipos y etiquetado, pero para trabajo de alto volumen o en tiempo real, un detector pequeño entrenado sigue siendo mucho más práctico.