{"id":7253,"date":"2025-08-15T12:17:23","date_gmt":"2025-08-15T10:17:23","guid":{"rendered":"https:\/\/www.aiknow.io\/introduccion-a-yolo\/"},"modified":"2025-08-15T12:17:23","modified_gmt":"2025-08-15T10:17:23","slug":"introduccion-a-yolo","status":"publish","type":"post","link":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/","title":{"rendered":"Introducci\u00f3n a YOLO"},"content":{"rendered":"<h1>YOLO &#8211; You Only Look Once ( Solo mira una vez )<\/h1>\n<hr>\n<h2>Introducci\u00f3n: Por qu\u00e9 es importante YOLO<\/h2>\n<p>Imagina que caminas por una calle muy transitada en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos. La capacidad de reconocer y clasificar estos objetos en tiempo real es esencial para evitar accidentes y garantizar la seguridad. Aqu\u00ed es donde entra en juego <strong><a href=\"https:\/\/github.com\/ultralytics\/ultralytics\">YOLO <\/a>(You Only Look Once),<\/strong> uno de los algoritmos de visi\u00f3n por ordenador m\u00e1s potentes para el reconocimiento de objetos. YOLO permite a un sistema<strong> reconocer m\u00faltiples objetos en una sola imagen con extrema rapidez<\/strong>, una tarea crucial en escenarios din\u00e1micos y complejos.    <\/p>\n<h3>Por qu\u00e9 elegir YOLO<\/h3>\n<p>YOLO es una de las opciones m\u00e1s potentes y eficaces para el reconocimiento de objetos, y lo es por varias razones. A diferencia de otros algoritmos que dividen la tarea en varios pasos, YOLO examina toda la imagen en una sola pasada, prediciendo simult\u00e1neamente las coordenadas del cuadro delimitador y las clases de objetos. Este enfoque lo hace mucho m\u00e1s r\u00e1pido que otros m\u00e9todos.  <\/p>\n<ul>\n<li><strong>Velocidad y precisi\u00f3n<\/strong>: YOLO es extremadamente r\u00e1pido y puede procesar cientos de im\u00e1genes por segundo, lo que lo hace ideal para aplicaciones que requieren respuestas en tiempo real, como la detecci\u00f3n de obst\u00e1culos para coches aut\u00f3nomos o la vigilancia en entornos abarrotados.<\/li>\n<li><strong>Un solo paso<\/strong>: mientras que otros algoritmos pueden requerir varios pasos (como el reconocimiento de objetos y su posterior clasificaci\u00f3n), YOLO lo realiza todo en un solo paso, lo que reduce enormemente el tiempo de procesamiento.<\/li>\n<li><strong>Escalabilidad<\/strong>: YOLO es altamente escalable, adaptable a una amplia gama de objetos y contextos, desde la clasificaci\u00f3n de objetos en una tienda hasta el reconocimiento de personas en entornos p\u00fablicos. Se puede entrenar f\u00e1cilmente con nuevos conjuntos de datos, lo que lo convierte en una opci\u00f3n vers\u00e1til para muchas aplicaciones pr\u00e1cticas. <\/li>\n<\/ul>\n<p>En comparaci\u00f3n con las soluciones de la competencia, como SSD (Single Shot Multibox Detector) o Faster R-CNN, <strong>YOLO es m\u00e1s r\u00e1pido<\/strong> pero mantiene una <strong>buena precisi\u00f3n<\/strong>, lo que lo convierte en la opci\u00f3n preferida en muchas <strong>aplicaciones en tiempo real <\/strong>en las que el equilibrio entre velocidad y precisi\u00f3n es crucial.<\/p>\n<p>&nbsp;<\/p>\n<h2>\u00bfC\u00f3mo funciona YOLO?<\/h2>\n<p>El algoritmo YOLO divide la imagen en una cuadr\u00edcula. Cada celda de la cuadr\u00edcula es responsable de detectar los objetos que caen dentro de ella. Cada celda predice:  <\/p>\n<ul>\n<li>La probabilidad de que la celda contenga un objeto.<\/li>\n<li>Las coordenadas de la posici\u00f3n del objeto (en t\u00e9rminos de la caja delimitadora).<\/li>\n<li>La probabilidad de cada clase de objeto para esa celda.<\/li>\n<\/ul>\n<p>A continuaci\u00f3n, el modelo utiliza estas predicciones para identificar objetos en la imagen. El proceso puede dividirse en los siguientes pasos: <\/p>\n<ol>\n<li><strong>Divisi\u00f3n de la imagen<\/strong>: La imagen de entrada se divide en una cuadr\u00edcula de un tama\u00f1o determinado (por ejemplo, 7&#215;7, 13&#215;13, etc.).<\/li>\n<li><strong>Predicci\u00f3n por celda<\/strong>: Cada celda de la cuadr\u00edcula predice un n\u00famero fijo de cajas delimitadoras. Cada caja tiene:\n<ul>\n<li>Las coordenadas del centro (x, y).<\/li>\n<li>La anchura y la altura.<\/li>\n<li>La <a href=\"https:\/\/www.aiknow.io\/yolo-unanalisi-approfondita\/\">probabilidad de que el objeto est\u00e9 presente en la caja.<\/a><\/li>\n<li>La probabilidad para cada clase de objeto.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Filtrado de predicciones<\/strong>: Una vez que el modelo ha realizado predicciones para todas las celdas de la cuadr\u00edcula, se filtran las predicciones menos fiables, dejando s\u00f3lo las que tienen una alta probabilidad.<\/li>\n<li><strong>Supresi\u00f3n No M\u00e1xima (NMS): <\/strong>Una vez seleccionados los recuadros delimitadores, se ejecuta un proceso denominado Supresi\u00f3n No M\u00e1xima (NMS), que elimina los recuadros redundantes, manteniendo s\u00f3lo el de mayor probabilidad para cada objeto.<\/li>\n<\/ol>\n<p><img fetchpriority=\"high\" decoding=\"async\" class=\" wp-image-6012 aligncenter\" src=\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/YOLO-algorithm-process-300x172.png\" alt=\"\" width=\"365\" height=\"209\" srcset=\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/YOLO-algorithm-process-300x172.png 300w, https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/YOLO-algorithm-process-768x439.png 768w, https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/YOLO-algorithm-process.png 850w\" sizes=\"(max-width: 365px) 100vw, 365px\" \/><\/p>\n<hr>\n<h2>Detalles del modelo de cajas delimitadoras y puertos deformables<\/h2>\n<h3>Cajas delimitadoras en YOLO<\/h3>\n<p>En el contexto de YOLO, las <strong>cajas delimitadoras <\/strong>se utilizan para representar la posici\u00f3n de un objeto dentro de una imagen. Cada caja est\u00e1 representada por 4 coordenadas: <\/p>\n<ol>\n<li><strong>Centro de la caja<\/strong>: las coordenadas (x, y) indican el centro de la caja delimitadora.<\/li>\n<li><strong>Anchura y altura:<\/strong> El tama\u00f1o de la caja, dado por <code>w<\/code> (anchura) y <code>h<\/code> (altura).<\/li>\n<li><strong>Confianza<\/strong>: La probabilidad de que la caja contenga un objeto, calculada como el producto de la probabilidad del objeto y el \u00e1rea de la caja.<\/li>\n<li><strong>Clase de objeto:<\/strong> probabilidad de que un objeto perteneciente a una clase determinada (por ejemplo, una persona, un coche, etc.) se encuentre dentro de la caja.<\/li>\n<\/ol>\n<p>Cada <strong>cuadr\u00edcula <\/strong>YOLO predice esta informaci\u00f3n para cada celda. La predicci\u00f3n del cuadro delimitador se basa en el concepto de <strong>umbral de confianza.<\/strong> Cuando una celda de la cuadr\u00edcula detecta un objeto, calcula una predicci\u00f3n de las coordenadas de la caja y la probabilidad de que el objeto est\u00e9 realmente presente, junto con la probabilidad de cada clase.  <\/p>\n<p>&nbsp;<\/p>\n<p><img decoding=\"async\" class=\"wp-image-6016 aligncenter\" src=\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolo-a-300x82.jpg\" alt=\"\" width=\"852\" height=\"233\" srcset=\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolo-a-300x82.jpg 300w, https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolo-a-1024x280.jpg 1024w, https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolo-a-768x210.jpg 768w, https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolo-a-1536x420.jpg 1536w, https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolo-a.jpg 1715w\" sizes=\"(max-width: 852px) 100vw, 852px\" \/><\/p>\n<p>&nbsp;<\/p>\n<h3>Deformable Ports Model (DPM)<\/h3>\n<p>El Modelo de Puertos Deformables (DPM) es una extensi\u00f3n del modelo de detecci\u00f3n que permite una mayor flexibilidad en la adaptaci\u00f3n de las posiciones de los objetos. En YOLO, la idea principal de los <strong>Puertos Deformables<\/strong> es hacer que los recuadros delimitadores se adapten mejor a los cambios en las formas de los objetos, en contraposici\u00f3n a una rigidez fija en las predicciones. Esto ayuda a YOLO a manejar objetos que pueden estar deformados o tener posiciones inusuales.<br \/>*** Translated with www.DeepL.com\/Translator (free version) ***  <\/p>\n<p>En la pr\u00e1ctica, el modelo DPM introduce &#8220;puertos deformables&#8221; para cada cuadro delimitador, lo que permite una alineaci\u00f3n din\u00e1mica de los objetos durante la fase de detecci\u00f3n, mejorando el manejo de objetos deformables o de formas variables.<\/p>\n<p>Este enfoque puede ser especialmente \u00fatil en contextos como:<\/p>\n<ul>\n<li><strong>Detecci\u00f3n de objetos deformables<\/strong>: como telas, cortinas u otros objetos que cambian de forma.<\/li>\n<li><strong>Escenas complejas:<\/strong> en las que los objetos pueden superponerse o tener orientaciones poco convencionales.<\/li>\n<\/ul>\n<p>El modelo DPM permite una mejor alineaci\u00f3n del cuadro delimitador con los objetos reales, lo que reduce los errores en las predicciones de localizaci\u00f3n.<\/p>\n<hr>\n<h2>Arquitectura de YOLO<\/h2>\n<p>YOLO utiliza una red neuronal convolucional (CNN) para hacer predicciones. La arquitectura de la red suele constar de tres partes principales: <\/p>\n<ul>\n<li><strong>Extracci\u00f3n de caracter\u00edsticas<\/strong>: una serie de capas convolucionales que extraen caracter\u00edsticas relevantes de la imagen de entrada.<\/li>\n<li><strong>Capas totalmente conectadas:<\/strong> capas totalmente conectadas que asignan las caracter\u00edsticas extra\u00eddas a las predicciones finales (cuadro delimitador y probabilidades de clase).<\/li>\n<li><strong>Capa de salida<\/strong>: La capa final que proporciona predicciones de cajas, probabilidades de objetos y probabilidades de clases.<\/li>\n<\/ul>\n<hr>\n<h2>Pasos de YOLO: de la entrada a la predicci\u00f3n<\/h2>\n<ol>\n<li><strong>Entrada de imagen:<\/strong><br \/>\nLa imagen se recibe del modelo y se pre-procesa para ajustarla a las dimensiones especificadas, por ejemplo, 416&#215;416 o 608&#215;608. El modelo trabaja con im\u00e1genes de un tama\u00f1o fijo para estandarizar el proceso de entrenamiento e inferencia. <\/li>\n<li><strong>Divisi\u00f3n en cuadr\u00edcula SxS:<\/strong><br \/>\nLa imagen pre-procesada se divide en una cuadr\u00edcula de tama\u00f1o <code>SxS<\/code>. Cada celda de la cuadr\u00edcula es responsable de predecir un n\u00famero fijo de cuadros delimitadores. <\/li>\n<li><strong>Predicci\u00f3n de cuadros delimitadores por celda:<\/strong><br \/>\nCada celda de la cuadr\u00edcula predice:<\/p>\n<ul>\n<li>Coordenadas (x, y, anchura, altura) para el centro de la caja, y (w, h) para la anchura y la altura<\/li>\n<li>Un valor de confianza: la probabilidad de que la celda contenga un objeto.<\/li>\n<li>Probabilidad para cada clase de objeto: Una probabilidad para cada clase de objeto (por ejemplo, persona, coche, etc.).<\/li>\n<\/ul>\n<\/li>\n<li><strong>Detecci\u00f3n de objetos:<\/strong>\n<ul>\n<li>Cada celda predice varias cajas delimitadoras (por ejemplo, 5) para los objetos que pueden estar dentro de ella.<\/li>\n<li>Para cada casilla, se calcula una <strong>confianza<\/strong>, que representa la probabilidad de que un objeto est\u00e9 presente en la casilla.<\/li>\n<li>La confianza se combina con la probabilidad de cada clase para determinar qu\u00e9 objeto es m\u00e1s probable que est\u00e9 presente en esa casilla.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Filtrado de predicciones:<\/strong>\n<ul>\n<li><strong>Umbralizaci\u00f3n<\/strong>: celdas con baja probabilidad de contener un objeto (por debajo de un umbral predefinido)<\/li>\n<li>As\u00ed, cada casilla que supera el umbral predice una de las posibles clases de objetos con mayor probabilidad.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Supresi\u00f3n no m\u00e1xima (NMS):<\/strong>\n<ul>\n<li>El \u00faltimo paso consiste en aplicar la <strong>Supresi\u00f3n No M\u00e1xima<\/strong> para eliminar las predicciones redundantes. Si varias casillas predicen el mismo objeto, s\u00f3lo se conserva la casilla con mayor <strong>confianza<\/strong>. <\/li>\n<li>Este paso es esencial para reducir la duplicaci\u00f3n de la detecci\u00f3n y afinar la localizaci\u00f3n del objeto.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Red SxS y posibilidades<\/h4>\n<p>La red <code>SxS<\/code> determina el n\u00famero de celdas en que se divide la imagen. El valor de <code>S<\/code> afecta directamente al n\u00famero de predicciones que puede realizar el modelo. Por ejemplo:  <\/p>\n<ul>\n<li>Una cuadr\u00edcula de 7&#215;7 producir\u00e1 49 celdas, cada una de las cuales predice un n\u00famero fijo de cuadros delimitadores.<\/li>\n<li>Aumentar el valor de <code>S<\/code> conduce a una cuadr\u00edcula m\u00e1s fina y, por tanto, a m\u00e1s celdas y potencialmente m\u00e1s predicciones para objetos peque\u00f1os. Sin embargo, tambi\u00e9n puede aumentar los falsos positivos si el modelo no est\u00e1 bien entrenado. <\/li>\n<\/ul>\n<p>El tama\u00f1o de la cuadr\u00edcula se equilibra con la resoluci\u00f3n de la imagen y la capacidad de detectar objetos de distintos tama\u00f1os. Una cuadr\u00edcula demasiado peque\u00f1a puede no ser capaz de captar peque\u00f1os detalles, mientras que una demasiado grande puede no ser eficiente para objetos m\u00e1s grandes. <\/p>\n<p>&nbsp;<\/p>\n<hr>\n<h2>Conclusi\u00f3n<\/h2>\n<p>YOLO es una potente herramienta de detecci\u00f3n de objetos que equilibra velocidad y precisi\u00f3n. Su capacidad para funcionar en tiempo real la hace ideal para aplicaciones en las que la rapidez de respuesta es crucial.<a href=\"https:\/\/docs.ultralytics.com\"> A medida que el modelo evoluciona, YOLO<\/a> sigue siendo uno de los m\u00e9todos de detecci\u00f3n m\u00e1s utilizados en el campo de la visi\u00f3n artificial.  <\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>YOLO &#8211; You Only Look Once ( Solo mira una vez ) Introducci\u00f3n: Por qu\u00e9 es importante YOLO Imagina que caminas por una calle muy transitada en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":6088,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[128],"tags":[251,252,253,245],"class_list":["post-7253","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-novedades-tecnologicas","tag-cajas-delimitadoras","tag-modelo-de-puertos-deformables","tag-prediccion","tag-yolo-es"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.8 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Introducci\u00f3n a YOLO - AIknow<\/title>\n<meta name=\"description\" content=\"\u00bfPor qu\u00e9 es importante YOLO? Imagina que vas caminando por una calle muy transitada, en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Introducci\u00f3n a YOLO - AIknow\" \/>\n<meta property=\"og:description\" content=\"\u00bfPor qu\u00e9 es importante YOLO? Imagina que vas caminando por una calle muy transitada, en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\" \/>\n<meta property=\"og:site_name\" content=\"AIknow\" \/>\n<meta property=\"article:published_time\" content=\"2025-08-15T10:17:23+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1344\" \/>\n\t<meta property=\"og:image:height\" content=\"765\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Michele Giovanelli\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Michele Giovanelli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\"},\"author\":{\"name\":\"Michele Giovanelli\",\"@id\":\"https:\/\/www.aiknow.io\/#\/schema\/person\/a989230a6d8434262e58f68af5c787c2\"},\"headline\":\"Introducci\u00f3n a YOLO\",\"datePublished\":\"2025-08-15T10:17:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\"},\"wordCount\":1663,\"image\":{\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png\",\"keywords\":[\"Cajas delimitadoras\",\"Modelo de puertos deformables\",\"Predicci\u00f3n\",\"YOLO\"],\"articleSection\":[\"Novedades tecnol\u00f3gicas\"],\"inLanguage\":\"es-ES\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\",\"url\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\",\"name\":\"Introducci\u00f3n a YOLO - AIknow\",\"isPartOf\":{\"@id\":\"https:\/\/www.aiknow.io\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png\",\"datePublished\":\"2025-08-15T10:17:23+00:00\",\"author\":{\"@id\":\"https:\/\/www.aiknow.io\/#\/schema\/person\/a989230a6d8434262e58f68af5c787c2\"},\"description\":\"\u00bfPor qu\u00e9 es importante YOLO? Imagina que vas caminando por una calle muy transitada, en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos.\",\"breadcrumb\":{\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#breadcrumb\"},\"inLanguage\":\"es-ES\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es-ES\",\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage\",\"url\":\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png\",\"contentUrl\":\"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png\",\"width\":1344,\"height\":765},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.aiknow.io\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Introducci\u00f3n a YOLO\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.aiknow.io\/#website\",\"url\":\"https:\/\/www.aiknow.io\/\",\"name\":\"AIknow - Developing future\",\"description\":\"From Edge To Intelligence\",\"alternateName\":\"AIknow\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.aiknow.io\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es-ES\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.aiknow.io\/#\/schema\/person\/a989230a6d8434262e58f68af5c787c2\",\"name\":\"Michele Giovanelli\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es-ES\",\"@id\":\"https:\/\/www.aiknow.io\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/7b9c0585ded6217182119647f2db095a000ea01873a85bb505b114f1f33c5aee?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/7b9c0585ded6217182119647f2db095a000ea01873a85bb505b114f1f33c5aee?s=96&d=mm&r=g\",\"caption\":\"Michele Giovanelli\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Introducci\u00f3n a YOLO - AIknow","description":"\u00bfPor qu\u00e9 es importante YOLO? Imagina que vas caminando por una calle muy transitada, en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/","og_locale":"es_ES","og_type":"article","og_title":"Introducci\u00f3n a YOLO - AIknow","og_description":"\u00bfPor qu\u00e9 es importante YOLO? Imagina que vas caminando por una calle muy transitada, en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos.","og_url":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/","og_site_name":"AIknow","article_published_time":"2025-08-15T10:17:23+00:00","og_image":[{"width":1344,"height":765,"url":"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png","type":"image\/png"}],"author":"Michele Giovanelli","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Michele Giovanelli","Est. reading time":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#article","isPartOf":{"@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/"},"author":{"name":"Michele Giovanelli","@id":"https:\/\/www.aiknow.io\/#\/schema\/person\/a989230a6d8434262e58f68af5c787c2"},"headline":"Introducci\u00f3n a YOLO","datePublished":"2025-08-15T10:17:23+00:00","mainEntityOfPage":{"@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/"},"wordCount":1663,"image":{"@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage"},"thumbnailUrl":"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png","keywords":["Cajas delimitadoras","Modelo de puertos deformables","Predicci\u00f3n","YOLO"],"articleSection":["Novedades tecnol\u00f3gicas"],"inLanguage":"es-ES"},{"@type":"WebPage","@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/","url":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/","name":"Introducci\u00f3n a YOLO - AIknow","isPartOf":{"@id":"https:\/\/www.aiknow.io\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage"},"image":{"@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage"},"thumbnailUrl":"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png","datePublished":"2025-08-15T10:17:23+00:00","author":{"@id":"https:\/\/www.aiknow.io\/#\/schema\/person\/a989230a6d8434262e58f68af5c787c2"},"description":"\u00bfPor qu\u00e9 es importante YOLO? Imagina que vas caminando por una calle muy transitada, en la que decenas de personas y veh\u00edculos se mueven en todas direcciones. De repente, un coche aut\u00f3nomo se acerca y debe decidir r\u00e1pidamente c\u00f3mo navegar entre todos los objetos que le rodean, como peatones, ciclistas y otros veh\u00edculos.","breadcrumb":{"@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#breadcrumb"},"inLanguage":"es-ES","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/"]}]},{"@type":"ImageObject","inLanguage":"es-ES","@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#primaryimage","url":"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png","contentUrl":"https:\/\/www.aiknow.io\/wpvt\/wp-content\/uploads\/2025\/03\/yolov11.png","width":1344,"height":765},{"@type":"BreadcrumbList","@id":"https:\/\/www.aiknow.io\/es\/introduccion-a-yolo\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.aiknow.io\/es\/"},{"@type":"ListItem","position":2,"name":"Introducci\u00f3n a YOLO"}]},{"@type":"WebSite","@id":"https:\/\/www.aiknow.io\/#website","url":"https:\/\/www.aiknow.io\/","name":"AIknow - Developing future","description":"From Edge To Intelligence","alternateName":"AIknow","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.aiknow.io\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es-ES"},{"@type":"Person","@id":"https:\/\/www.aiknow.io\/#\/schema\/person\/a989230a6d8434262e58f68af5c787c2","name":"Michele Giovanelli","image":{"@type":"ImageObject","inLanguage":"es-ES","@id":"https:\/\/www.aiknow.io\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/7b9c0585ded6217182119647f2db095a000ea01873a85bb505b114f1f33c5aee?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7b9c0585ded6217182119647f2db095a000ea01873a85bb505b114f1f33c5aee?s=96&d=mm&r=g","caption":"Michele Giovanelli"}}]}},"_links":{"self":[{"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/posts\/7253","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/comments?post=7253"}],"version-history":[{"count":0,"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/posts\/7253\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/media\/6088"}],"wp:attachment":[{"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/media?parent=7253"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/categories?post=7253"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.aiknow.io\/es\/wp-json\/wp\/v2\/tags?post=7253"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}