Las siete tareas de visión

Resumen de las siete tareas#

Lee la tabla fijándote en la columna de salida: es lo que debe coincidir con la línea de salida de tu especificación.

Hay dos pares que suelen confundir. Segmentación de instancias frente a segmentación semántica: la segmentación de instancias separa cada objeto (tres coches, tres máscaras); la segmentación semántica etiqueta los píxeles solo por clase (una región de «coche», sin recuento). Detección frente a OBB: ambas devuelven una caja por objeto, pero una OBB gira con el objeto, algo importante cuando los objetos aparecen en ángulo en imágenes aéreas.

Una API, siete resultados#

Cambiar de tarea no significa cambiar de herramienta. El archivo de pesos determina qué se devuelve, y el objeto Results rellena el atributo correspondiente:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"
outputs = ["probs", "boxes", "masks", "semantic_mask", "depth", "keypoints", "obb"]

for suffix in ["-cls", "", "-seg", "-sem", "-depth", "-pose", "-obb"]:
    weights = f"yolo26n{suffix}.pt"
    model = YOLO(weights)
    result = model(image, verbose=False)[0]
    filled = [name for name in outputs if getattr(result, name) is not None]
    print(f"{weights:18} task={model.task:9} -> {', '.join(filled)}")

yolo26n-cls.pt     task=classify  -> probs
yolo26n.pt         task=detect    -> boxes
yolo26n-seg.pt     task=segment   -> boxes, masks
yolo26n-sem.pt     task=semantic  -> semantic_mask
yolo26n-depth.pt   task=depth     -> depth
yolo26n-pose.pt    task=pose      -> boxes, keypoints
yolo26n-obb.pt     task=obb       -> obb

Fíjate en la columna de la derecha: la segmentación y la pose también devuelven cajas, porque son detección más una cosa. La segmentación semántica y la profundidad no devuelven resultados por objeto: describen cada píxel. Tu código posterior lee exactamente uno de estos atributos, así que la línea de salida de tu especificación debe indicar cuál.

Cómo elegir en la práctica#

Empieza por lo que debe describir cada predicción y elige después la tarea más sencilla que responda a la decisión:

1. Una etiqueta para toda la imagen → clasificación.
2. Una clase para cada píxel, sin necesidad de separar objetos → segmentación semántica.
3. Una distancia para cada píxel → estimación de profundidad.
4. Algo sobre cada objeto:
   • dónde está, para contarlo, localizarlo o filtrarlo → detección (añade seguimiento para mantener la identidad entre fotogramas);
   • su forma, contorno o área exactos → segmentación de instancias;
   • su postura → pose;
   • su rotación en imágenes aéreas → OBB.

Si encajan dos tareas, elige la más barata de etiquetar y ejecutar. La detección es la opción predeterminada para la mayoría de los productos: las cajas son rápidas de dibujar y revisar, y, con seguimiento, ya permiten contar, generar alertas por zonas y analizar el tráfico, como en esta vista de una autopista:

Profundidad: la tarea que responde a «a qué distancia»#

La estimación de profundidad devuelve un mapa del tamaño de la imagen con una distancia en metros por píxel: sin clases ni cajas. Úsala cuando la decisión dependa de la distancia: un robot que evita obstáculos, un vehículo que reduce la velocidad cuando algo está cerca o una estimación aproximada del volumen de una pila.

from ultralytics import YOLO

model = YOLO("yolo26n-depth.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]

depth = result.depth.data  # meters, one value per pixel
print(f"depth map {tuple(depth.shape)}, nearest {float(depth.min()):.1f} m, farthest {float(depth.max()):.1f} m")

depth map (1080, 810), nearest 2.0 m, farthest 14.9 m

Una sola cámara infiere la profundidad a partir de indicios aprendidos, como la perspectiva y el tamaño de los objetos; por eso, mide el error en tus propias escenas antes de usarla para distancias críticas para la seguridad. La profundidad combina bien con la detección: detecta el objeto y, después, consulta el mapa de profundidad dentro de su caja.

Errores habituales#