¿Qué es Computer Vision y para qué se puede utilizar en la era de la IA?
La Computer Vision permite que una máquina extraiga información útil de imágenes y vídeos: no solo identifica píxeles, sino que aprende a reconocer objetos, localizar defectos, interpretar escenas y apoyar decisiones. En la era de la Inteligencia Artificial, esta capacidad ha dejado de ser una función aislada para integrarse con modelos capaces de relacionar lo que ven con lenguaje, contexto y conocimiento previo.
¿Qué es la Computer Vision?
La Computer Vision, conocida en español como visión artificial o visión por computador, es la disciplina que desarrolla métodos para que los sistemas informáticos analicen contenido visual y obtengan de él una representación aprovechable. Su propósito puede ser reconocer qué aparece en una imagen, determinar dónde se encuentra, seguirlo a lo largo de un vídeo, medirlo, segmentarlo o inferir una acción.
No debe confundirse con el simple tratamiento de imágenes. Ajustar el brillo, corregir el color o aplicar un filtro modifica una imagen siguiendo reglas predeterminadas. Un sistema de Computer Vision intenta interpretar su contenido: distingue una pieza correcta de otra defectuosa, reconoce un peatón ante un vehículo o delimita una lesión en una exploración médica.
La diferencia esencial está en pasar de procesar píxeles a obtener significado operativo. Para conseguirlo, el sistema convierte la imagen en datos numéricos, extrae patrones y produce una salida adaptada a una tarea. Esa salida puede ser una categoría, una caja delimitadora, una máscara por píxel, una estimación de profundidad, una trayectoria o una descripción textual.
El aprendizaje profundo ha transformado esta disciplina porque permite aprender características directamente a partir de ejemplos. Antes era habitual definir manualmente bordes, texturas y descriptores; ahora las redes pueden descubrir representaciones útiles durante el entrenamiento. Esto no elimina la ingeniería: la calidad del resultado sigue dependiendo de los datos, las etiquetas, la función de pérdida, la evaluación y el entorno real donde se desplegará el modelo.
Una solución de Computer Vision tampoco “ve” como una persona. Puede superar a un especialista en una tarea muy acotada y fallar ante una iluminación distinta, una cámara nueva o un objeto parcialmente oculto. Por eso, su precisión debe medirse sobre condiciones representativas y no solo con imágenes limpias procedentes del conjunto de entrenamiento.
Arquitectura de la Computer Vision
La arquitectura moderna de la Computer Vision suele combinar una entrada visual, un proceso de normalización, un modelo que extrae representaciones y una cabeza especializada que produce la respuesta. Según el objetivo, esa cabeza puede clasificar imágenes, detectar objetos, segmentar regiones, estimar posturas o relacionar el contenido con lenguaje.
No existe una arquitectura universal que sea óptima para todas las tareas. Una cámara industrial que inspecciona una pieza fija trabaja con restricciones muy distintas a las de un vehículo que debe comprender una escena cambiante o un sistema médico que analiza imágenes de alta resolución.
Redes Neuronales Convolucionales (CNN) y la extracción jerárquica de características
Las redes neuronales convolucionales fueron durante años la base dominante de la Computer Vision. Su operación principal aplica pequeños filtros sobre regiones locales de una imagen. Al compartir esos filtros en distintas posiciones, la red puede detectar patrones semejantes, aunque aparezcan desplazados.
Las primeras capas suelen responder a bordes, orientaciones y contrastes. Las capas intermedias combinan esas señales en texturas, formas y partes de objetos; las capas profundas construyen representaciones más abstractas. Esta jerarquía no se programa de forma manual: emerge durante el entrenamiento a partir del objetivo y de los ejemplos disponibles.
Las CNN incorporan una ventaja estructural importante: asumen que la proximidad espacial y los patrones locales importan. Ese sesgo inductivo ayuda a aprender con eficiencia, especialmente cuando los datos no son ilimitados. Además, existen arquitecturas muy optimizadas para ejecutar convoluciones en servidores, móviles y dispositivos industriales.
Su limitación aparece cuando la tarea necesita relacionar zonas muy alejadas de la imagen. Aunque las capas profundas amplían progresivamente el campo receptivo, captar dependencias globales puede requerir redes más profundas o mecanismos complementarios. Aun así, las CNN siguen siendo relevantes por su eficiencia, madurez y buen comportamiento en numerosos despliegues.
El impacto de los Vision Transformers (ViT) en el procesamiento de secuencias visuales
Los Vision Transformers trasladaron a las imágenes la arquitectura Transformer. En lugar de recorrer la imagen únicamente mediante filtros convolucionales, la dividen en parches que se transforman en una secuencia de tokens. El mecanismo de atención aprende qué relaciones entre esos fragmentos resultan importantes.
El trabajo original de ViT demostró que un Transformer puro podía competir con redes convolucionales en clasificación cuando se preentrenaba con grandes cantidades de datos y después se transfería a otros conjuntos. El modelo representa los parches, añade información de posición y procesa la secuencia mediante bloques de atención.
La atención facilita que el modelo conecte regiones distantes desde etapas tempranas. Esto resulta valioso cuando la interpretación depende de la relación entre partes separadas de una escena. Sin embargo, la atención estándar puede tener un coste elevado al aumentar el número de tokens, motivo por el que han surgido variantes jerárquicas, ventanas locales y métodos de selección dinámica.
En la práctica, CNN y Transformers no forman dos mundos excluyentes. Hay arquitecturas híbridas, modelos convolucionales modernizados y Transformers que recuperan ideas de localidad y jerarquía. La elección depende del volumen de datos, la resolución, el hardware y la necesidad de precisión o velocidad.
El impacto de ViT en la Computer Vision va más allá de la clasificación. Sus principios se han extendido a detección, segmentación, vídeo, estimación de profundidad y modelos fundacionales capaces de transferirse entre tareas.
Integración de Modelos de Lenguaje y Visión (VLM) para la comprensión de contexto multimodal
Los modelos de lenguaje y visión conectan representaciones visuales con texto. Una arquitectura habitual utiliza un codificador de imagen, un componente que alinea o proyecta sus características y un modelo lingüístico que genera o interpreta respuestas. El resultado puede describir una escena, responder preguntas sobre una imagen o localizar elementos a partir de instrucciones.
Los estudios recientes sobre VLM sitúan su valor en la combinación de percepción visual, lenguaje y razonamiento, aunque también señalan retos de evaluación, robustez y fiabilidad.
Un VLM no se limita a asignar una etiqueta cerrada: puede relacionar lo observado con una petición expresada en lenguaje natural. Esto permite interfaces más flexibles, como pedir “localiza los productos mal colocados” o “resume los cambios entre estas dos radiografías”.
Pero esa flexibilidad introduce riesgos. El modelo puede describir detalles inexistentes, confundir relaciones o apoyarse en correlaciones aprendidas. En ámbitos críticos, una respuesta verbal convincente no debe confundirse con una comprobación fiable. La Computer Vision multimodal necesita mecanismos de verificación, métricas específicas y límites claros sobre qué decisiones puede automatizar.
¿Para qué se puede utilizar la Computer Vision?
La Computer Vision puede emplearse cuando una decisión depende de información visual repetitiva, medible y disponible con suficiente calidad. Sus aplicaciones abarcan movilidad, medicina, industria, seguridad y comercio, pero el valor no surge de instalar una cámara: requiere definir qué se detectará, qué margen de error es aceptable y quién actuará ante una incidencia.
La utilidad real se mide por el proceso que mejora, no por la espectacularidad de la demostración. Una precisión elevada puede ser insuficiente si el error más grave afecta siempre al mismo tipo de objeto o si el sistema tarda demasiado en responder.
Navegación autónoma y sistemas avanzados de asistencia a la conducción (ADAS)
Un vehículo asistido necesita detectar carriles, señales, peatones, ciclistas, vehículos y obstáculos. También debe estimar distancias, seguir objetos y comprender cómo evoluciona la escena. Para ello puede combinar cámaras con radar, lidar, ultrasonidos, mapas y datos inerciales.
La Computer Vision aporta información semántica especialmente rica: distingue categorías, interpreta marcas viales y reconoce señales. Sin embargo, una cámara puede degradarse por lluvia, niebla, oscuridad, reflejos o suciedad. La fusión de sensores reduce la dependencia de una única fuente y permite contrastar mediciones.
La conducción automatizada exige razonar sobre casos poco frecuentes, no solo acertar en trayectos normales. Un objeto caído, una obra provisional o un gesto de un agente pueden ser difíciles de representar en los datos. Por eso se utilizan simulación, pruebas cerradas, conducción supervisada y validación continua.
Diagnóstico médico automatizado mediante el análisis de imágenes clínicas y tomografías
En medicina, la visión artificial puede analizar radiografías, resonancias, tomografías, ecografías, imágenes dermatológicas y preparaciones microscópicas. Las tareas incluyen detectar hallazgos, segmentar órganos o lesiones, medir cambios y priorizar estudios que requieren revisión urgente.
El uso responsable no consiste necesariamente en sustituir al profesional. Un sistema puede señalar áreas sospechosas, realizar mediciones repetibles o ayudar a ordenar la carga de trabajo. El beneficio más realista suele aparecer como apoyo clínico integrado en un flujo supervisado.
La evaluación debe considerar sensibilidad, especificidad, prevalencia, calidad de imagen y variación entre hospitales y dispositivos. Un modelo entrenado en un centro puede perder rendimiento al cambiar la población o el protocolo. Además, el resultado necesita trazabilidad y una presentación que permita al especialista comprender sus límites.
Control de calidad automatizado y robótica avanzada en líneas de producción industrial
La inspección visual automatizada puede detectar arañazos, deformaciones, componentes ausentes, etiquetas incorrectas, soldaduras defectuosas o errores de ensamblaje. En un entorno controlado, la iluminación, la distancia y el fondo pueden diseñarse para que la imagen sea consistente.
Esto permite revisar cada unidad sin depender únicamente de muestreos manuales. La Computer Vision también guía robots para localizar piezas, estimar su posición y adaptar movimientos cuando los objetos no llegan exactamente al mismo punto.
En industria, un falso rechazo tiene un coste y una pieza defectuosa aceptada puede tener otro mucho mayor. El umbral debe ajustarse según el riesgo, y los casos dudosos pueden desviarse a inspección humana. También es necesario vigilar el desgaste de cámaras, cambios de proveedor y modificaciones del producto que alteren la distribución de imágenes.
Biometría de alta precisión y sistemas inteligentes de reconocimiento facial
La biometría facial puede verificar si una persona coincide con una identidad declarada o buscar una correspondencia dentro de una base de datos. Son problemas diferentes: la verificación uno a uno no tiene las mismas implicaciones ni la misma tasa de falsas coincidencias que una búsqueda uno a muchos.
NIST ha evaluado diferencias demográficas y de calidad de imagen en numerosos algoritmos de reconocimiento facial. Sus informes muestran que el rendimiento puede variar según el algoritmo, la población y las condiciones de captura, por lo que no es correcto hablar de una precisión universal.
Una tasa de error pequeña puede producir muchas identificaciones incorrectas cuando la búsqueda se realiza sobre millones de personas. Por eso deben definirse umbrales, revisión humana, calidad mínima de captura y procedimientos de impugnación.
La Computer Vision biométrica puede facilitar el desbloqueo de dispositivos o controles de acceso, pero aumenta su impacto cuando se utiliza sin cooperación, a distancia o en espacios públicos. La precisión técnica no resuelve por sí sola cuestiones de proporcionalidad, consentimiento y finalidad.
Gestión inteligente del sector retail mediante el análisis de stock en tiempo real
En comercio minorista, las cámaras pueden estimar disponibilidad en estanterías, localizar huecos, comprobar la colocación de productos y detectar diferencias entre el planograma y la exposición real. También pueden ayudar en inventarios, cajas automáticas o análisis de flujo.
Un sistema de Computer Vision puede avisar de que un lineal necesita reposición antes de que el personal lo detecte. Para que funcione, debe distinguir envases parecidos, soportar oclusiones y adaptarse a cambios de diseño, promociones y distribución.
El objetivo no debería ser acumular vídeo, sino convertir observaciones concretas en acciones útiles. Procesar en el propio establecimiento, limitar la conservación y evitar identificar personas cuando no es necesario reduce riesgos de privacidad.
Desafíos técnicos, ética y el futuro de la visión artificial
El avance de la Computer Vision amplía las posibilidades de automatización, pero también eleva el coste de los errores. Los modelos aprenden de datos históricos, funcionan con probabilidades y pueden degradarse cuando cambia el entorno. A ello se suman la privacidad, la vigilancia, la explicabilidad y las obligaciones legales.
Una solución responsable debe diseñar controles antes del despliegue, no después de que aparezca el daño. Esto implica evaluar grupos afectados, documentar datos y límites, supervisar el rendimiento y mantener alternativas cuando el sistema falla.
Mitigación de sesgos algorítmicos en los conjuntos de datos de entrenamiento masivos
El sesgo puede aparecer cuando ciertos grupos, escenarios, tonos de piel, edades, dispositivos o condiciones de iluminación están infrarrepresentados. También puede surgir en las etiquetas: si las decisiones humanas utilizadas como referencia contienen errores o criterios desiguales, el modelo puede aprenderlos.
Mitigar el problema exige analizar la composición del conjunto, medir resultados por subgrupos y estudiar qué tipos de error se concentran en cada uno. NIST ha documentado diferencias demográficas entre algoritmos faciales y recuerda que la calidad de imagen también influye en el rendimiento.
Una media global puede ocultar que el sistema falla de forma desproporcionada para una parte de la población. Por ello, la evaluación necesita métricas desagregadas, pruebas externas y revisión de los casos límite.
Aumentar la diversidad de datos ayuda, pero no garantiza equidad. También deben revisarse la definición del objetivo, los umbrales, el contexto de uso y las consecuencias de cada error. En ocasiones, la decisión correcta puede ser no automatizar una tarea.
El debate ético sobre la privacidad de los ciudadanos frente a la videovigilancia masiva
La videovigilancia tradicional ya afecta a la privacidad, pero el análisis automatizado cambia su escala. Un sistema puede buscar rostros, seguir trayectorias o clasificar conductas en grandes volúmenes de vídeo sin que una persona revise cada imagen.
La cuestión no se reduce a si la cámara está visible. Hay que valorar la finalidad, la necesidad, la proporcionalidad, el tiempo de conservación, el acceso y la posibilidad de reutilizar el material para objetivos distintos.
Identificar a una persona en un espacio público tiene un impacto muy diferente a contar ocupación de forma anónima. La arquitectura debe minimizar datos, procesar localmente cuando sea posible y evitar reconocimiento individual si el objetivo puede alcanzarse con información agregada.
La normativa europea sobre IA prohíbe determinadas prácticas, entre ellas la creación o ampliación de bases de reconocimiento facial mediante extracción indiscriminada de imágenes de internet o cámaras, y restringe el uso de identificación biométrica remota en tiempo real en espacios públicos para fines policiales a excepciones concretas.
Limitaciones técnicas de interpretabilidad: el problema de la explicabilidad en modelos visuales
Los modelos profundos pueden producir una predicción precisa sin ofrecer una explicación causal de fácil interpretación. Los mapas de atención o de activación muestran regiones influyentes, pero no garantizan que el modelo haya razonado como supone el observador.
Esto importa cuando una decisión afecta a un diagnóstico, un acceso o una inspección crítica. Una explicación visual atractiva puede generar una confianza excesiva si no se ha validado que refleje realmente el comportamiento del modelo.
Explicar una predicción no equivale a demostrar que sea correcta. La explicabilidad debe acompañarse de calibración de confianza, análisis de errores, comparación con referencias y posibilidad de revisión.
En algunos casos, es preferible diseñar el sistema para que produzca evidencias comprobables: una máscara de lesión, la ubicación exacta de un defecto o una secuencia de fotogramas que justifique una alerta. Esto facilita que un profesional evalúe el resultado.
La evolución hacia la generación de vídeo hiperrealista y el uso de datos sintéticos
Los modelos generativos pueden crear secuencias visuales cada vez más convincentes, editar escenas y simular entornos. Esta capacidad sirve para creatividad, formación y producción audiovisual, pero también facilita suplantaciones y contenidos engañosos.
En la Computer Vision, los datos sintéticos permiten generar escenarios difíciles, peligrosos o poco frecuentes. Un simulador puede variar clima, iluminación, posición de objetos y sensores, creando ejemplos para conducción, robótica o inspección.
Lo sintético es útil cuando amplía la cobertura, no cuando sustituye sin control a la realidad. Existe una brecha entre simulación y mundo físico: texturas, ruido, comportamiento y distribución pueden no coincidir. Los modelos deben validarse con datos reales y documentar qué proporción del entrenamiento procede de cada fuente.
El futuro combinará generación y percepción: sistemas que crean ejemplos para entrenarse, modelos que predicen secuencias y herramientas capaces de contrastar contenido. Esta convergencia aumenta la necesidad de procedencia, marcas de autenticidad y evaluación contra manipulaciones.
Regulaciones globales y marcos legales sobre el despliegue de tecnologías de reconocimiento visual
La regulación depende del país, el sector y la finalidad. No puede evaluarse del mismo modo una cámara industrial sin personas, una herramienta médica, un control biométrico laboral o una identificación policial.
En la Unión Europea, el Reglamento de Inteligencia Artificial establece categorías de riesgo, prácticas prohibidas y obligaciones para sistemas considerados de alto riesgo. La identificación biométrica y determinadas categorizaciones reciben un tratamiento especialmente estricto.
Cumplir la ley no consiste únicamente en añadir un aviso de privacidad. Puede requerir evaluación de riesgos, gobernanza de datos, documentación técnica, supervisión humana, precisión adecuada, ciberseguridad y registro de funcionamiento, según el caso.
Además de las normas de IA, pueden aplicarse protección de datos, normativa sanitaria, derechos laborales, consumo, seguridad de producto y reglas sectoriales. Por eso, cualquier despliegue de Computer Vision que afecte a personas debe revisarse desde el diseño con especialistas técnicos, jurídicos y del ámbito donde se utilizará.
El ciclo de vida del dato en Computer Vision
Un modelo visual no empieza con la elección de una red neuronal, sino con la obtención y preparación de la información que utilizará para aprender. El ciclo incluye capturar imágenes, revisar su calidad, definir categorías, etiquetar ejemplos, dividir el conjunto, entrenar, evaluar y estudiar los errores que aparecen cuando el sistema se enfrenta a situaciones reales.
En un proyecto de Computer Vision, los datos deben representar las cámaras, productos, personas, escenarios y condiciones que aparecerán después del despliegue. Un conjunto enorme puede resultar menos útil que otro más pequeño si contiene imágenes repetidas, etiquetas imprecisas o una distribución muy diferente a la del entorno final.
La calidad del modelo queda condicionada por aquello que se ha decidido fotografiar, conservar y anotar. Por eso, la gestión del dato no es una fase preliminar que se abandona al comenzar el entrenamiento, sino un proceso continuo. Los falsos positivos, las imágenes difíciles y los cambios del entorno deben regresar al conjunto para revisar etiquetas y crear nuevas versiones.
La importancia crítica del etiquetado de imágenes (Image Annotation) y tipos de segmentación
El etiquetado convierte el contenido visual en una referencia que el algoritmo puede utilizar para aprender. La anotación adecuada depende de la salida esperada. Si solo interesa saber si una imagen contiene una pieza defectuosa, puede bastar una etiqueta global. Cuando es necesario localizar el defecto, habrá que marcar su posición con mayor precisión.
En clasificación, cada imagen recibe una o varias categorías. Es una anotación relativamente sencilla, pero no informa de dónde aparece el objeto. Una fotografía puede etiquetarse como “vehículo” aunque incluya varios coches, peatones y señales, sin distinguir su ubicación.
Las cajas delimitadoras o bounding boxes rodean cada objeto mediante un rectángulo. Se utilizan en detección porque permiten aprender simultáneamente la categoría y la posición aproximada. Su creación es más costosa que una etiqueta de imagen, aunque mucho más rápida que dibujar con precisión todos los contornos.
La segmentación semántica asigna una clase a cada píxel. Puede distinguir carretera, acera, cielo, edificio o vegetación, pero normalmente no separa dos objetos distintos pertenecientes a la misma categoría. La segmentación de instancias sí diferencia cada elemento: dos personas contiguas reciben máscaras independientes.
La segmentación panóptica combina ambas perspectivas. Representa las regiones continuas del entorno —como cielo o carretera— y, al mismo tiempo, separa objetos contables como vehículos o peatones. COCO incluye recursos para detección, segmentación de objetos, segmentación de regiones, puntos clave y descripciones, lo que explica su uso como referencia para tareas visuales diferentes.
Cuanto más detallada sea la anotación, mayor será normalmente su coste y el riesgo de inconsistencias. Dos personas pueden discrepar sobre el límite exacto de una sombra, una lesión o un defecto diminuto. Por ello, el proyecto necesita instrucciones escritas, ejemplos positivos y negativos, criterios para casos ambiguos y revisiones de calidad.
También debe medirse el acuerdo entre anotadores. Si especialistas distintos clasifican de forma diferente una proporción elevada de imágenes, el problema puede no estar en la herramienta, sino en una categoría mal definida. Entrenar con esas discrepancias sin analizarlas introduce ruido y establece un límite práctico a la precisión alcanzable.
La anotación asistida puede acelerar el proceso: un modelo preliminar propone cajas o máscaras y una persona las corrige. Sin embargo, la revisión humana sigue siendo necesaria para evitar que los errores iniciales se reproduzcan de forma sistemática en las siguientes rondas de entrenamiento.
Datasets de referencia mundial (ImageNet, COCO, Open Images) frente a datos propios
Los conjuntos públicos han permitido comparar métodos y preentrenar modelos antes de adaptarlos a aplicaciones concretas. ImageNet organiza imágenes de acuerdo con la jerarquía de conceptos de WordNet y ha desempeñado un papel central en el desarrollo del reconocimiento visual a gran escala. El conjunto completo indica más de 14 millones de imágenes y 21.841 synsets, mientras que el subconjunto clásico de ILSVRC contiene 1.000 clases y alrededor de 1,28 millones de imágenes de entrenamiento.
Por un lado, ImageNet resulta especialmente conocido por clasificación y localización de objetos. Su valor histórico no significa que represente cualquier aplicación actual. Las imágenes proceden de un contexto general y sus categorías no tienen por qué coincidir con defectos industriales, enfermedades, productos comerciales o escenarios captados por una cámara específica.
Por otro lado, COCO se centra en objetos situados dentro de escenas cotidianas y contiene anotaciones para detección, segmentación, puntos corporales y generación de descripciones. Su web oficial recoge unas 330.000 imágenes, más de 200.000 etiquetadas, 1,5 millones de instancias y 80 categorías de objetos.
Mientras tanto, Open Images ofrece una escala y una variedad de anotaciones aún mayores. Su versión V7 reúne cerca de nueve millones de imágenes y contiene etiquetas globales, cajas, máscaras de instancia, relaciones visuales, narraciones localizadas y anotaciones por puntos. El proyecto publica más de 15,8 millones de cajas sobre 600 clases y alrededor de 2,78 millones de segmentaciones de instancia.
Los datasets públicos sirven para aprender representaciones generales y comparar modelos, pero rara vez reproducen por completo el entorno de producción. Una cámara situada sobre una cinta transportadora tendrá ángulos, óptica, resolución e iluminación diferentes a los de fotografías recopiladas en internet.
Los datos propios permiten capturar esas condiciones. En una tienda pueden mostrar el diseño real de las estanterías; en una fábrica, las variantes concretas de cada pieza; y en medicina, el protocolo y el equipamiento utilizados por el centro. Esta cercanía mejora la relevancia, pero encarece la captura y la anotación.
Una estrategia habitual consiste en preentrenar o partir de un modelo entrenado con un conjunto general y ajustarlo después con información específica. Para que esa adaptación funcione, el conjunto propio debe incluir casos normales, errores frecuentes y situaciones difíciles. No basta con fotografiar el escenario ideal.
En Computer Vision también resulta esencial evitar fugas entre entrenamiento, validación y prueba. Si distintos fotogramas casi idénticos de un mismo vídeo se reparten aleatoriamente entre los tres grupos, el resultado parecerá excelente porque el modelo ya ha visto escenas prácticamente iguales. La división puede tener que realizarse por vídeo, paciente, producto, instalación, fecha o dispositivo, según la aplicación.
Generación de datos sintéticos: creación de entornos 3D simulados para entrenar la IA
Los datos sintéticos se producen mediante motores gráficos, simuladores, modelos generativos o composiciones controladas. Permiten crear imágenes acompañadas automáticamente de etiquetas precisas, porque el sistema conoce la posición, la profundidad, la categoría y la máscara de cada objeto representado.
En un entorno 3D pueden modificarse la iluminación, el clima, la cámara, el fondo, la textura y la posición de los elementos. Esta capacidad es especialmente útil para generar sucesos raros o peligrosos que sería difícil recopilar de manera sistemática: obstáculos inesperados en carretera, accidentes, fallos industriales poco frecuentes o configuraciones robóticas arriesgadas.
La simulación permite controlar la diversidad y crear anotaciones que serían muy costosas de dibujar a mano. Una escena puede producir simultáneamente imagen RGB, mapa de profundidad, segmentación, trayectoria y posición tridimensional de los objetos.
Sin embargo, el modelo puede aprender características exclusivas del simulador. Texturas demasiado limpias, movimientos poco naturales, iluminación simplificada o ruido de sensor incorrecto generan una brecha entre el dominio sintético y el real. Un resultado elevado dentro de la simulación no demuestra que el sistema funcionará con una cámara física.
Para reducir esa diferencia se utiliza la aleatorización de dominio. En vez de intentar recrear una única escena perfectamente realista, se generan muchas variaciones de color, textura, fondo, perspectiva y luz. El objetivo es impedir que el algoritmo dependa de detalles superficiales y obligarlo a aprender rasgos más estables.
En un proyecto de Computer Vision, los datos sintéticos deben complementar la información real y no ocultar su ausencia. La validación final ha de realizarse con imágenes representativas del despliegue, incluyendo fallos, oclusiones y condiciones adversas.
También es necesario vigilar el equilibrio. Generar miles de ejemplos de un caso raro puede provocar que el modelo lo espere con más frecuencia de la que realmente ocurre. La proporción de datos debe responder a la distribución real o corregirse mediante muestreo, ponderación y calibración.
Técnicas de Data Augmentation para evitar el sobreentrenamiento (Overfitting) del modelo visual
El data augmentation crea variaciones de las imágenes disponibles durante el entrenamiento. Puede aplicar recortes, giros, reflejos, escalados, cambios de brillo, desenfoque, ruido, deformaciones o eliminación parcial de regiones. Torchvision, por ejemplo, incluye transformaciones para clasificación, detección, segmentación y vídeo, además de métodos automatizados como AutoAugment y RandAugment.
El objetivo es reducir el sobreentrenamiento. Este aparece cuando el modelo memoriza características particulares del conjunto y obtiene buenos resultados sobre ejemplos conocidos, pero pierde precisión ante imágenes nuevas.
Una transformación solo es válida si conserva el significado de la etiqueta. Reflejar horizontalmente un animal puede ser razonable; hacerlo con una radiografía cuya lateralidad es clínicamente relevante puede introducir un ejemplo incorrecto. Girar una pieza simétrica quizá no cambie su categoría, mientras que girar una señal puede alterar completamente su interpretación.
Las transformaciones deben aplicarse también a las anotaciones espaciales. Si una imagen se recorta o refleja, sus cajas, máscaras y puntos clave tienen que modificarse con la misma operación. La API de transformaciones de Torchvision admite imágenes junto con cajas delimitadoras y máscaras, precisamente para mantener esa correspondencia en tareas de detección y segmentación.
No todas las técnicas simulan variaciones fotográficas. MixUp combina dos imágenes y sus etiquetas; CutMix inserta una región de una imagen dentro de otra; y el borrado aleatorio oculta partes para reducir la dependencia de un único rasgo. Su utilidad depende de la tarea y debe validarse empíricamente.
Una estrategia demasiado agresiva puede dificultar el aprendizaje o crear ejemplos imposibles. El aumento de datos debe reflejar variaciones que podrían ocurrir de verdad: movimiento, cambios razonables de exposición, distancia, oclusión o diferencias entre sensores.
El data augmentation tampoco corrige por sí solo una falta estructural de información. Si no existen ejemplos de un defecto concreto, una transformación geométrica no inventará su apariencia real. Del mismo modo, aumentar repetidamente una clase minoritaria no aporta la misma diversidad que recopilar nuevos casos.
El ciclo debe cerrarse evaluando los errores sobre datos no aumentados y procedentes del entorno real. Cuando el sistema de Computer Vision falla ante una situación concreta, el equipo puede decidir si necesita nuevas capturas, etiquetas corregidas, simulación adicional o una transformación que represente mejor esa variación. De este modo, la preparación del dato deja de ser una tarea puntual y se convierte en un mecanismo permanente de mejora.
Computer Vision en el Edge: despliegue de modelos en dispositivos locales e IoT
Procesar las imágenes cerca del lugar donde se capturan permite que una cámara, un robot o un equipo industrial tome decisiones sin enviar continuamente el vídeo a un centro de datos. En un proyecto de Computer Vision, este planteamiento puede reducir el tiempo de respuesta, limitar el consumo de red y mantener la información sensible dentro de la instalación.
El despliegue local no implica eliminar por completo la nube. Muchas arquitecturas combinan inferencia en el dispositivo con servicios remotos para entrenar nuevas versiones, distribuir actualizaciones, centralizar métricas o analizar únicamente los eventos relevantes.
La clave consiste en decidir qué operaciones deben ejecutarse inmediatamente en el dispositivo y cuáles pueden trasladarse a una infraestructura externa. Esa separación depende de la latencia permitida, la conectividad, la sensibilidad de los datos, el consumo energético y la capacidad de cómputo disponible.
¿Qué es Edge AI y por qué es vital para procesar vídeo en tiempo real con baja latencia?
Edge AI consiste en ejecutar modelos de Inteligencia Artificial cerca de la fuente que genera los datos. El procesamiento puede realizarse dentro de una cámara inteligente, una pasarela IoT, un ordenador industrial, un vehículo, un teléfono o un pequeño servidor situado en la propia instalación.
En un sistema conectado exclusivamente a la nube, cada fotograma debe capturarse, comprimirse, transmitirse, procesarse y devolver una respuesta. La latencia total no depende únicamente de la velocidad del modelo: también intervienen la red, la congestión, la distancia al centro de datos y el tiempo necesario para preparar y transportar la información.
La inferencia local elimina buena parte de ese recorrido. Una cámara instalada en una línea de producción puede detectar un defecto y accionar un mecanismo de rechazo sin esperar una respuesta externa. Un robot puede corregir su trayectoria mientras se mueve, y un sistema de seguridad puede generar una alerta aunque la conexión a internet se interrumpa.
En aplicaciones en tiempo real, unos pocos cientos de milisegundos pueden separar una respuesta útil de otra que llega demasiado tarde. Sin embargo, no basta con conocer la latencia media. También deben medirse los peores tiempos de respuesta, la estabilidad cuando aumenta el número de cámaras y el comportamiento térmico durante periodos prolongados.
La ejecución de Computer Vision en el Edge exige además administrar recursos limitados. El dispositivo puede compartir procesador con otras funciones, disponer de poca memoria y funcionar con una potencia restringida. Por eso, el modelo con mayor precisión en un servidor no siempre es el más adecuado para un despliegue local.
También es necesario distinguir entre procesamiento en tiempo real y procesamiento de todos los fotogramas. Una aplicación puede analizar el vídeo a una frecuencia inferior, detectar movimiento antes de ejecutar la red neuronal o utilizar un modelo pequeño para decidir cuándo activar otro más complejo. Estas estrategias reducen consumo sin renunciar a la respuesta necesaria.
Optimización y compresión de modelos arquitectónicos mediante cuantización y poda (Pruning)
Los modelos entrenados suelen utilizar números en coma flotante de 32 bits. La cuantización representa pesos y, en algunos casos, activaciones con formatos de menor precisión, como FP16 o INT8. Esto reduce el tamaño y puede acelerar la inferencia cuando el hardware dispone de instrucciones optimizadas para esos formatos.
ONNX Runtime define su cuantización habitual como la conversión de valores de 32 bits a una representación lineal de 8 bits y ofrece métodos estáticos y dinámicos. También admite la conversión a FP16, que puede reducir aproximadamente a la mitad el tamaño del modelo y mejorar el rendimiento en determinadas GPU.
La cuantización posterior al entrenamiento utiliza un modelo ya entrenado. Es relativamente sencilla, aunque puede necesitar un conjunto de calibración para medir los rangos de activación. El entrenamiento consciente de cuantización simula durante el aprendizaje los efectos de la menor precisión, lo que puede conservar mejor el rendimiento en modelos sensibles. TensorFlow Model Optimization incluye ambas estrategias.
Reducir la precisión numérica no garantiza por sí solo que la aplicación sea más rápida. El beneficio depende de que el dispositivo, el motor de inferencia y las operaciones del modelo aprovechen realmente ese formato. Una conversión correcta desde el punto de vista matemático puede incluso introducir operaciones adicionales si el hardware no ofrece soporte nativo.
La poda o pruning elimina conexiones o pesos considerados poco relevantes. En la poda por magnitud, determinados valores se llevan gradualmente a cero para crear un modelo disperso. TensorFlow señala que esta técnica facilita la compresión y que la reducción de latencia depende del soporte del framework y del hardware; los patrones estructurados pueden aprovecharse mejor en plataformas compatibles.
No toda dispersión produce una aceleración práctica. Si los ceros se encuentran distribuidos sin una estructura que el dispositivo pueda explotar, el archivo comprimido puede ocupar menos, pero la inferencia continuar ejecutando operaciones similares. Por eso debe medirse el modelo de Computer Vision en el equipo final y no asumir resultados a partir del tamaño del archivo.
La optimización puede incluir además destilación de conocimiento, reducción de resolución, arquitecturas móviles, fusión de operaciones y compilación específica. La destilación entrena un modelo pequeño para aproximar el comportamiento de otro más complejo. La reducción de resolución disminuye el cálculo, aunque puede hacer desaparecer objetos pequeños o defectos sutiles.
Cada compresión debe validarse con las métricas que representan el riesgo real. Una caída mínima de precisión global puede ocultar una pérdida significativa en peatones lejanos, lesiones pequeñas o defectos poco frecuentes. La comparación debe incluir exactitud, latencia, memoria, consumo energético y temperatura.
Hardware especializado para visión artificial perimetral: NVIDIA Jetson, TPUs y cámaras inteligentes
La inferencia visual puede ejecutarse en CPU, GPU, NPU, aceleradores dedicados o combinaciones de estos componentes. La elección depende de la complejidad del modelo, el número de flujos de vídeo, la potencia disponible y las interfaces necesarias para conectar sensores.
NVIDIA Jetson agrupa módulos compactos orientados a IA y robótica. La plataforma combina CPU, GPU y el entorno JetPack, que incorpora Jetson Linux, bibliotecas aceleradas y herramientas de desarrollo. La documentación actual de NVIDIA presenta las familias Jetson Orin y Jetson Thor como plataformas para cargas de IA en el Edge, incluida la visión por computador.
Jetson resulta adecuado cuando la aplicación necesita ejecutar redes relativamente complejas, procesar varias cámaras o integrar percepción con control robótico. TensorRT y las bibliotecas aceleradas permiten optimizar la inferencia, aunque el resultado depende de la compatibilidad de las operaciones, la conversión del modelo y la configuración de energía.
Cuando se habla de TPU en el Edge suele hacerse referencia a aceleradores como Google Coral Edge TPU. Este dispositivo está diseñado para ejecutar inferencias de modelos compatibles con TensorFlow Lite, especialmente cuantizados. La placa Coral Dev Board integra un coprocesador Edge TPU especificado para alcanzar hasta cuatro billones de operaciones por segundo.
Un acelerador especializado puede ser muy eficiente, pero obliga a respetar sus formatos y operaciones compatibles. No todos los modelos pueden trasladarse sin modificaciones. Antes de elegir el hardware hay que comprobar si la arquitectura se compila completamente para el acelerador o si ciertas capas terminan ejecutándose en la CPU, creando cuellos de botella.
Las cámaras inteligentes integran sensor, procesamiento y, en algunos casos, aceleración neuronal en el mismo dispositivo. Pueden ejecutar detección, conteo o clasificación y transmitir solo metadatos o fragmentos relevantes. Esto simplifica instalaciones distribuidas, aunque limita la capacidad para sustituir el modelo o ampliar funciones frente a un ordenador perimetral independiente.
Para aplicaciones de Computer Vision no debería seleccionarse el hardware únicamente por su cifra teórica de TOPS. Dos dispositivos con valores parecidos pueden rendir de manera distinta según la precisión numérica, el ancho de banda de memoria, la resolución, las operaciones admitidas y el motor de inferencia.
También importan las condiciones físicas. Un sistema industrial debe considerar temperatura, ventilación, polvo, vibraciones, alimentación, ciclo de vida del producto y disponibilidad de repuestos. Un kit de desarrollo puede ser adecuado para experimentar, pero no necesariamente para instalar cientos de unidades en producción.
Ventajas de la visión en el dispositivo local frente al procesamiento en la nube: privacidad y ancho de banda
Una cámara de alta resolución genera un flujo constante de información. Enviar todo el vídeo a la nube puede consumir una cantidad considerable de ancho de banda, especialmente cuando existen varias cámaras o la instalación funciona durante las veinticuatro horas.
El procesamiento local permite conservar el vídeo dentro del establecimiento y transmitir únicamente resultados: número de objetos, alertas, coordenadas, estadísticas o pequeños fragmentos asociados a una incidencia. Mover eventos en lugar de vídeo completo reduce el tráfico y facilita escalar una red de cámaras.
Esta arquitectura también puede mejorar la privacidad. Si el sistema solo necesita contar personas, detectar ocupación o comprobar el uso de equipos de protección, quizá pueda procesar cada fotograma localmente y descartar la imagen después de obtener el resultado.
Sin embargo, ejecutar un sistema de Computer Vision en el dispositivo no garantiza automáticamente la protección de los datos. Las imágenes pueden seguir almacenándose, los metadatos pueden identificar comportamientos y el equipo puede sufrir accesos no autorizados. Es necesario aplicar cifrado, control de permisos, actualizaciones, borrado seguro y una política clara de conservación.
La autonomía es otra ventaja. Una fábrica, un vehículo o una explotación agrícola pueden continuar operando durante una interrupción de internet. El sistema puede almacenar temporalmente los eventos y sincronizarlos cuando regrese la conexión.
La nube sigue aportando capacidad para entrenar, agregar información de numerosas ubicaciones y ejecutar análisis pesados. Por eso, el modelo híbrido suele ser más realista: el Edge responde de inmediato y la infraestructura central gestiona las tareas que no necesitan una decisión instantánea.
La decisión no debe plantearse como una elección absoluta entre dispositivo y nube. Conviene repartir la carga según el valor y la sensibilidad de cada dato. Las imágenes crudas pueden permanecer localmente, mientras que métricas anónimas, alertas verificadas y diagnósticos técnicos se envían a un servicio central.
El despliegue final debe medirse con vídeo real, durante periodos prolongados y bajo las condiciones previstas. Temperatura, iluminación, pérdida de conexión, actualizaciones y envejecimiento del equipo pueden alterar el rendimiento. Cuando el diseño equilibra precisión, eficiencia y mantenimiento, la Computer Vision en el Edge permite responder cerca de la fuente sin convertir cada cámara en un flujo permanente hacia la nube.
Jefe de Capacitación para Soluciones Cloud, posee una amplia experiencia en áreas comerciales y técnicas a nivel nacional e internacional. Con una base en Ingeniería de Telecomunicaciones y un MBA, destaca en el desarrollo de negocios, especialmente con grandes cuentas y partners en sectores tanto privados como públicos.