El algoritmo YOLO (You Only Look Once) es un modelo de detección de objetos rápido y eficiente. A diferencia de los enfoques tradicionales como R-CNN que utilizan múltiples etapas, YOLO procesa la imagen completa en una sola pasada, lo que lo hace ideal para aplicaciones en tiempo real.

Diferencias entre YOLO y los enfoques R-CNN

Los métodos tradicionales de detección de objetos, como R-CNN y sus variantes, se basan en una tubería de dos etapas: primero generan propuestas de regiones y luego clasifican cada región propuesta. Aunque son efectivos, este enfoque es computacionalmente costoso y ralentiza la inferencia, lo que lo hace menos adecuado para aplicaciones en tiempo real.

YOLO (You Only Look Once) adopta un enfoque radicalmente diferente. Divide la imagen de entrada en una rejilla y predice cajas delimitadoras y probabilidades de clase para cada celda en una sola pasada hacia adelante. Este diseño plantea la detección de objetos como un único problema de regresión, permitiendo que YOLO logre rendimiento en tiempo real.

A diferencia de los métodos basados en R-CNN que se enfocan solo en regiones locales, YOLO procesa la imagen completa de una vez, lo que le permite capturar información contextual global. Esto conduce a un mejor desempeño en la detección de objetos múltiples o superpuestos, manteniendo alta velocidad y precisión.

Arquitectura de YOLO y predicciones basadas en rejilla

YOLO divide una imagen de entrada en una rejilla de S × S, donde cada celda de la rejilla es responsable de detectar objetos cuyo centro cae dentro de ella. Cada celda predice las coordenadas de la caja delimitadora (x, y, ancho, alto), una puntuación de confianza del objeto y probabilidades de clase. Dado que YOLO procesa la imagen completa en una sola pasada hacia adelante, es altamente eficiente en comparación con los modelos anteriores de detección de objetos.

Función de pérdida y puntuaciones de confianza de clase

YOLO optimiza la precisión de la detección utilizando una función de pérdida personalizada, que incluye:

• Pérdida de localización: mide la precisión de la caja delimitadora;
• Pérdida de confianza: asegura que las predicciones indiquen correctamente la presencia de un objeto;
• Pérdida de clasificación: evalúa qué tan bien la clase predicha coincide con la clase real.

Para mejorar los resultados, YOLO aplica cajas ancla y supresión de no-máximos (NMS) para eliminar detecciones redundantes.

Ventajas de YOLO: Compensación entre velocidad y precisión

La principal ventaja de YOLO es la velocidad. Dado que la detección ocurre en una sola pasada, YOLO es mucho más rápido que los métodos basados en R-CNN, lo que lo hace adecuado para aplicaciones en tiempo real como conducción autónoma y vigilancia. Sin embargo, las primeras versiones de YOLO tenían dificultades para detectar objetos pequeños, lo cual fue mejorado en versiones posteriores.

YOLO: Breve historia

YOLO, desarrollado por Joseph Redmon y Ali Farhadi en 2015, transformó la detección de objetos con su procesamiento de una sola pasada.

• YOLOv2 (2016): añadió normalización por lotes, cajas ancla y agrupamiento de dimensiones;
• YOLOv3 (2018): introdujo una columna vertebral más eficiente, múltiples anclas y agrupamiento piramidal espacial;
• YOLOv4 (2020): incorporó aumento de datos Mosaic, una cabeza de detección sin anclas y una nueva función de pérdida;
• YOLOv5: mejoró el rendimiento con optimización de hiperparámetros, seguimiento de experimentos y funciones automáticas de exportación;
• YOLOv6 (2022): código abierto por Meituan y utilizado en robots de entrega autónoma;
• YOLOv7: amplió las capacidades para incluir estimación de pose;
• YOLOv8 (2023): mejoró la velocidad, flexibilidad y eficiencia para tareas de visión artificial;
• YOLOv9: introdujo Información de Gradiente Programable (PGI) y la Red de Agregación de Capas Eficiente Generalizada (GELAN);
• YOLOv10: desarrollado por la Universidad de Tsinghua, eliminando la Supresión de No-Máximos (NMS) con una cabeza de detección de extremo a extremo;
• YOLOv11: el modelo más reciente que ofrece un rendimiento de vanguardia en detección de objetos, segmentación y clasificación.