Historia de los modelos de visión

Qué es la visión artificial#

Imagina que entras en una tienda y una cámara te identifica la cara, analiza tu estado de ánimo y te recomienda productos adaptados a tus preferencias, todo en tiempo real. No es ciencia ficción, sino una realidad que los modelos de visión modernos hacen posible. Según un informe de Fortune Business Insights, el mercado mundial de visión artificial alcanzó un valor de 20 750 millones de dólares en 2025 y se prevé que crezca de 24 140 millones de dólares en 2026 a 72 800 millones en 2034, lo que refleja los rápidos avances y la creciente adopción de esta tecnología en diversos sectores.

El campo de la visión artificial permite que los ordenadores detecten, identifiquen y analicen objetos en imágenes. Al igual que otros campos relacionados con la IA, la visión artificial ha evolucionado rápidamente en las últimas décadas.

La historia de la visión artificial es extensa. En sus primeros años, los modelos de visión artificial podían detectar formas y bordes sencillos, y solían limitarse a tareas básicas como reconocer patrones geométricos o distinguir entre zonas claras y oscuras. Sin embargo, los modelos actuales pueden realizar tareas complejas, como la detección de objetos en tiempo real, el reconocimiento facial e incluso interpretar emociones a partir de expresiones faciales con una precisión y eficiencia extraordinarias. Esta evolución tan notable pone de relieve los grandes avances en potencia computacional, sofisticación algorítmica y disponibilidad de enormes cantidades de datos de entrenamiento.

En este artículo, repasaremos los principales hitos de la evolución de la visión artificial. Recorreremos sus inicios, profundizaremos en el impacto transformador de las redes neuronales convolucionales (CNNs) y examinaremos los importantes avances posteriores.

Los inicios de la visión artificial#

Al igual que en otros campos de la IA, los primeros avances en visión artificial surgieron de la investigación fundamental y el trabajo teórico. Un hito importante fue el innovador trabajo de Lawrence G. Roberts sobre el reconocimiento de objetos 3D, documentado en su tesis «Percepción automática de sólidos tridimensionales» a principios de la década de 1960. Sus aportaciones sentaron las bases para futuros avances en este campo.

Los primeros algoritmos: detección de bordes#

Las primeras investigaciones sobre visión artificial se centraron en técnicas de procesamiento de imágenes, como la detección de bordes y la extracción de características. Algoritmos como el operador Sobel, desarrollado a finales de la década de 1960, fueron de los primeros en detectar bordes mediante el cálculo del gradiente de intensidad de la imagen.

Fig. 1. Imagen que muestra la detección de bordes: a la izquierda aparece el objeto original y a la derecha, la versión con los bordes detectados.

Técnicas como los detectores de bordes Sobel y Canny desempeñaron un papel fundamental en la identificación de límites dentro de las imágenes, esenciales para reconocer objetos y comprender escenas.

Aprendizaje automático y visión artificial#

Reconocimiento de patrones#

En la década de 1970, el reconocimiento de patrones se convirtió en un área clave de la visión artificial. Los investigadores desarrollaron métodos para reconocer formas, texturas y objetos en imágenes, lo que allanó el camino para tareas de visión más complejas.

Fig. 2. Reconocimiento de patrones.

Uno de los primeros métodos de reconocimiento de patrones fue la comparación con plantillas, que consiste en comparar una imagen con un conjunto de plantillas para encontrar la que mejor encaja. Este enfoque estaba limitado por su sensibilidad a las variaciones de escala, rotación y ruido.

Fig. 3. Una plantilla situada a la izquierda y localizada en la imagen de la derecha.

Los primeros sistemas de visión artificial estaban limitados por la escasa potencia computacional de la época. Los ordenadores de las décadas de 1960 y 1970 eran voluminosos, caros y tenían una capacidad de procesamiento limitada.

La revolución del aprendizaje profundo#

Aprendizaje profundo y redes neuronales convolucionales#

El aprendizaje profundo y las redes neuronales convolucionales (CNNs) marcaron un momento decisivo en el campo de la visión artificial. Estos avances transformaron radicalmente la forma en que los ordenadores interpretan y analizan datos visuales, y permitieron una amplia variedad de aplicaciones que antes se consideraban imposibles.

¿Cómo funcionan las CNNs?#

Fig. 4. Arquitectura de una red neuronal convolucional (CNN).

1. Capas convolucionales: las CNN utilizan capas convolucionales para recorrer una imagen mediante filtros o núcleos. Estos filtros detectan características como bordes, texturas y colores al desplazarse por la imagen y calcular productos escalares. Cada filtro activa patrones específicos de la imagen, lo que permite que el modelo aprenda características jerárquicas.
2. Funciones de activación: después de la convolución, las funciones de activación como ReLU (unidad lineal rectificada), que devuelve directamente la entrada si es positiva y cero en caso contrario, introducen no linealidad. Esto ayuda a la red a aprender patrones y representaciones complejos.
3. Capas de agrupación: las capas de agrupación realizan una operación de submuestreo que reduce la dimensionalidad del mapa de características y ayuda a extraer las características más relevantes, al tiempo que reduce el coste computacional y el sobreajuste.
4. Capas totalmente conectadas: las capas finales de una CNN son capas totalmente conectadas que interpretan las características extraídas por las capas convolucionales y de agrupación para realizar predicciones. Estas capas son similares a las de las redes neuronales tradicionales.

Evolución de los modelos de visión basados en CNN#

La evolución de los modelos de visión basados en CNN incluye varias arquitecturas destacadas:

• LeNet (1989): LeNet fue una de las primeras arquitecturas CNN y se utilizaba principalmente para reconocer dígitos en cheques escritos a mano. Su éxito sentó las bases de CNNs más complejas y demostró el potencial del aprendizaje profundo en el procesamiento de imágenes.
• AlexNet (2012): AlexNet superó ampliamente a los modelos existentes en la competición ImageNet y demostró el potencial del aprendizaje profundo. Este modelo utilizó activaciones ReLU, dropout y aumento de datos, estableció nuevos referentes en clasificación de imágenes y despertó un gran interés por las CNNs.
• VGGNet (2014): al utilizar filtros convolucionales más pequeños (3x3), VGGNet obtuvo resultados impresionantes en tareas de clasificación de imágenes y reforzó la importancia de la profundidad de la red para lograr una mayor precisión.
• ResNet (2015): ResNet abordó el problema de degradación en redes profundas mediante la introducción del aprendizaje residual. Esta innovación permitió entrenar redes mucho más profundas y alcanzar resultados de vanguardia en diversas tareas de visión artificial.
• YOLO (Solo miras una vez): YOLO transformó la detección de objetos al plantearla como un único problema de regresión y predecir directamente los cuadros delimitadores y las probabilidades de clase a partir de imágenes completas en una sola evaluación. Este enfoque permitió detectar objetos en tiempo real con gran velocidad y precisión, por lo que resulta adecuado para aplicaciones que requieren un procesamiento instantáneo, como la conducción autónoma y la vigilancia.

Aplicaciones de la visión artificial#

Sanidad#

Las aplicaciones de la visión artificial son numerosas. Por ejemplo, los modelos de visión como Ultralytics YOLOv8 se utilizan en el diagnóstico por imagen para detectar enfermedades como el cáncer y la retinopatía diabética. Analizan radiografías, resonancias magnéticas y tomografías computarizadas con gran precisión, e identifican anomalías de forma temprana. Esta capacidad de detección temprana permite intervenir a tiempo y mejorar los resultados de los pacientes.

Fig. 5. Detección de tumores cerebrales mediante Ultralytics YOLOv8.

Protección del medio ambiente#

Los modelos de visión artificial ayudan a vigilar y proteger a las especies en peligro de extinción mediante el análisis de imágenes y vídeos de hábitats silvestres. Identifican animales y siguen su comportamiento, y proporcionan datos sobre sus poblaciones y desplazamientos. Esta tecnología sirve de base para diseñar estrategias de conservación y tomar decisiones políticas que protejan especies como los tigres y los elefantes.

Con la ayuda de la IA de visión, también es posible vigilar otras amenazas ambientales, como los incendios forestales y la deforestación, para que las autoridades locales puedan responder rápidamente.

Fig. 6. Imagen satelital de un incendio forestal.

Retos y perspectivas de futuro#

A pesar de sus importantes logros, los modelos de visión siguen afrontando numerosos retos debido a su complejidad y a las exigencias de su desarrollo, por lo que es necesario seguir investigando.

Interpretabilidad y explicabilidad#

Los modelos de visión, especialmente los de aprendizaje profundo, suelen considerarse «cajas negras» con poca transparencia debido a su gran complejidad. Esta falta de interpretabilidad dificulta la confianza y la rendición de cuentas, sobre todo en aplicaciones críticas como la sanidad.

Requisitos computacionales#

Entrenar e implementar modelos de IA de vanguardia exige importantes recursos computacionales. Esto es especialmente cierto en el caso de los modelos de visión, que a menudo requieren procesar grandes cantidades de imágenes y vídeos. Las imágenes y los vídeos de alta definición, entre los datos de entrenamiento que más recursos requieren, aumentan la carga computacional. Por ejemplo, una sola imagen HD puede ocupar varios megabytes de almacenamiento, lo que hace que el entrenamiento requiera muchos recursos y tiempo.

Esto exige hardware potente y algoritmos de visión artificial optimizados para gestionar la gran cantidad de datos y los complejos cálculos que conlleva desarrollar modelos de visión eficaces. La investigación en arquitecturas más eficientes, compresión de modelos y aceleradores por hardware como GPU y TPU es clave para impulsar los modelos de visión.

Estas mejoras pretenden reducir las exigencias computacionales y aumentar la eficiencia del procesamiento. Además, el uso de modelos preentrenados avanzados como Ultralytics YOLOv8 y sus sucesores, como Ultralytics YOLO26, puede reducir considerablemente la necesidad de un entrenamiento exhaustivo, agilizar el proceso de desarrollo y aumentar la eficiencia.

Un panorama en constante evolución#

Hoy en día, los modelos de visión se aplican en muchos ámbitos, desde la sanidad, por ejemplo para detectar tumores, hasta usos cotidianos como la vigilancia del tráfico. Estos modelos avanzados han impulsado la innovación en innumerables sectores al ofrecer más precisión, eficiencia y capacidades que antes estaban fuera de nuestro alcance.

A medida que avanza la tecnología, sigue creciendo el potencial de los modelos de visión para mejorar distintos aspectos de la vida y la industria. Esta evolución constante subraya la importancia de seguir investigando y desarrollando en el campo de la visión artificial.

¿Te interesa el futuro de la IA visual? Para obtener más información sobre los últimos avances, explora las Ultralytics Docs y echa un vistazo a nuestros proyectos en Ultralytics GitHub y YOLOv8 GitHub. Además, las páginas de soluciones sobre coches autónomos y fabricación ofrecen información especialmente útil sobre las aplicaciones de la IA en distintos sectores.