Mejores plataformas para entrenar clasificadores de imágenes personalizados

Escena de inspección ilustrativa generada por IA. Las imágenes muestran cuatro fotos de prueba clasificadas correctamente, seleccionadas por su claridad visual, del conjunto de datos de manchas en tejidos. Nuestro modelo Ultralytics YOLO26s-cls entrenado clasificó correctamente 65/71 imágenes de prueba, incluidas 7/11 imágenes limpias y 58/60 imágenes con manchas. Las imágenes son recortes cuadrados de las fotos de prueba. Las puntuaciones muestran la confianza del modelo, no la precisión.

La mejor plataforma para entrenar un clasificador de imágenes personalizado depende de dónde se ejecutará el modelo y de cuánto control necesites. Las plataformas en la nube sin código, como Amazon Rekognition Custom Labels, AutoML en Gemini Enterprise Agent Platform (antes Vertex AI AutoML), LandingLens y Ultralytics Platform, te permiten subir imágenes etiquetadas y entrenar sin programar. Los flujos de trabajo para desarrolladores, como Amazon SageMaker AI, Azure Machine Learning AutoML y Hugging Face Transformers, te ofrecen más control sobre el modelo y el trabajo de entrenamiento. Las herramientas centradas en el edge, como Edge Impulse, están pensadas para dispositivos pequeños, y Teachable Machine es una opción gratuita para crear prototipos en el navegador.

El estado del servicio importa a la hora de elegir. Microsoft retirará Azure Custom Vision el 25 de septiembre de 2028, y Hugging Face AutoTrain ya no se mantiene. Google ahora llama a Vertex AI AutoML AutoML en Gemini Enterprise Agent Platform; en esta guía lo abreviamos como Google Cloud AutoML.

Esta guía compara herramientas para entrenar un clasificador con tus propias imágenes etiquetadas, explica cómo elegir y muestra cómo probar un clasificador antes de decidirte. Para elegir la arquitectura del modelo, consulta comparativa de modelos de clasificación de imágenes. Para servir un modelo que ya tengas, consulta comparativa de plataformas de inferencia de visión artificial. Ultralytics publica esta comparativa y ofrece una de las plataformas incluidas.

Qué comparar#

La clasificación de imágenes asigna una o varias etiquetas a una imagen completa, como «defectuoso» o «OK» para una pieza de una línea de producción. Las plataformas para entrenar clasificadores se diferencian en cinco aspectos que importan más que sus listas de funciones:

• Etiquetas: una sola etiqueta (una clase por imagen) o varias etiquetas (varias clases por imagen). No todas las plataformas admiten ambas opciones.
• Control: AutoML elige el modelo y la configuración por ti; las plataformas para desarrolladores te permiten elegir la arquitectura, el tamaño de imagen y la configuración de entrenamiento.
• Dónde se ejecuta el modelo: algunas plataformas solo sirven el modelo desde su propia nube, mientras que otras te permiten exportarlo para ejecutarlo en tu propio hardware.
• Modelo de costes: el tiempo de entrenamiento, las horas de alojamiento y las tarifas por predicción de imagen se acumulan de distintas maneras. Un modelo que debe permanecer en ejecución puede costar más que entrenarlo.
• Ubicación de los datos: dónde se almacenan y procesan tus imágenes, algo importante cuando se trata de datos regulados.

Comparativa de plataformas para entrenar clasificadores de imágenes#

Son tipos de herramientas diferentes: servicios de AutoML gestionados, flujos de trabajo para desarrolladores y prototipos en el navegador. Haz una preselección según la compatibilidad con las etiquetas y dónde debe ejecutarse el modelo antes de comparar costes, y comprueba primero si un modelo preentrenado existente ya sirve.

Las plataformas aparecen en orden alfabético. La documentación de los proveedores se comprobó el 9 de noviembre de 2026; esta es una comparativa de funciones, no una evaluación práctica. En pantallas pequeñas, desplázate horizontalmente por la tabla para ver todas las columnas.

Preselecciones de ejemplo según los requisitos. Estos grupos se solapan; confirma la compatibilidad con las etiquetas, los derechos de despliegue y la compatibilidad con el entorno de ejecución antes de elegir.

Ultralytics Platform entrena clasificadores de una sola etiqueta, en los que cada imagen recibe una clase. Si necesitas clasificación con varias etiquetas, considera Azure Machine Learning AutoML o Google Cloud AutoML.

Cómo elegir#

Empieza por la decisión en la que tengas menos margen de flexibilidad.

Quieres trabajar sin código y usar una API gestionada#

Elige el servicio AutoML de la nube que ya utilices: Amazon Rekognition Custom Labels en AWS o Google Cloud AutoML en Google Cloud. Ambos se encargan del modelo y de la configuración por ti. Comprueba cuánto tiempo debe permanecer en ejecución el modelo, porque Rekognition Custom Labels cobra por cada hora que se inicia un modelo, incluso cuando no está analizando imágenes.

Necesitas ejecutar el modelo en tu propio hardware#

Elige una plataforma que exporte el modelo entrenado. Edge Impulse, Google Cloud AutoML (modelos Edge), Teachable Machine y Ultralytics Platform ofrecen exportación de modelos; comprueba los entornos de ejecución compatibles, los límites del plan y las condiciones de la licencia antes de elegir. Para PC, cámaras y GPU de fábrica, un modelo de clasificación YOLO26 exportado se ejecuta con ONNX, TensorRT u OpenVINO. Edge Impulse está pensado para microcontroladores.

Quieres tener el control total del modelo#

Para controlar la arquitectura y la configuración de entrenamiento, usa SageMaker con tu propio código de entrenamiento o crea un flujo de trabajo con PyTorch, TensorFlow, Keras, Hugging Face Transformers o el paquete Ultralytics YOLO. Comprueba qué arquitecturas admite cada biblioteca. Las herramientas AutoML, como Azure Machine Learning AutoML, ofrecen control dentro de los modelos y la configuración que admiten. En cualquier caso, tendrás que dedicar más tiempo a la configuración.

Vas a dejar Azure Custom Vision#

Microsoft ofrecerá soporte completo a los clientes actuales hasta el 25 de septiembre de 2028 y recomienda Azure Machine Learning AutoML para la clasificación personalizada. Para migrar, exporta las imágenes y sus etiquetas, conserva las etiquetas múltiples cuando las hayas utilizado y conviértelas al formato de importación de la nueva plataforma antes de volver a entrenar.

Estás aprendiendo o creando un prototipo#

Teachable Machine es gratuito y entrena en el navegador, por lo que es una buena forma de comprobar si tus clases se pueden distinguir antes de recopilar un conjunto de datos completo.

Cómo comprobar un clasificador antes de decidirte#

La precisión de demostración de una plataforma te dice poco sobre tus propias imágenes. Ejecuta la misma prueba breve en cada plataforma preseleccionada:

1. Mantén separados los conjuntos de entrenamiento, validación y prueba. Elige las imágenes de prueba de las cámaras y las condiciones que encontrará el modelo en producción, y mantén las imágenes casi idénticas y las imágenes de una misma secuencia de captura en el mismo conjunto.
2. Entrena un modelo de referencia con las mismas imágenes de entrenamiento y la configuración predeterminada de cada plataforma, y anota los límites de computación, presupuesto de entrenamiento o tamaño de imagen.
3. Elige con el conjunto de validación. Compara la precisión, la exhaustividad y la matriz de confusión por clase, además de la velocidad en el hardware que vayas a utilizar, y establece aquí los umbrales.
4. Prueba una sola vez la opción final con el conjunto de prueba intacto: precisión top-1 para clasificadores de una sola etiqueta o precisión, exhaustividad y F1 para cada etiqueta en clasificadores de varias etiquetas.
5. Comprueba el coste total: entrenamiento más tarifas de alojamiento o predicción según el volumen previsto.
6. Comprueba las opciones de salida: ¿puedes descargar el modelo entrenado, en qué formato y con qué licencia?

Reutiliza las mismas imágenes, etiquetas y particiones en todas las plataformas, convirtiéndolas al formato de importación de cada una. Como ejemplo opcional, esta es la prueba final con Ultralytics YOLO:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # pretrained on ImageNet
model.train(data="path/to/dataset", epochs=50, imgsz=224)  # dataset/train/<class>/, dataset/val/<class>/

metrics = model.val(split="test")  # dataset/test/<class>/, never used in training (needs its own test folder)
print(f"top-1 accuracy: {metrics.top1:.3f}, top-5 accuracy: {metrics.top5:.3f}")

Consulta el formato de conjunto de datos de clasificación para ver la estructura de carpetas, la documentación de Classify para ver ejemplos de clasificación y la configuración de entrenamiento para consultar todas las opciones de entrenamiento. Mantén separadas las carpetas train, val y test: si falta la carpeta test, la comprobación final recurre a las imágenes de validación.

Dónde encaja Ultralytics#

Ultralytics admite el entrenamiento y la exportación de clasificadores de una sola etiqueta. Compara sus resultados con tus propios datos antes de elegirlo.

• Entrena en la nube o en local. Ultralytics Platform entrena clasificadores YOLO26 en GPU en la nube desde el navegador, y el paquete Python de código abierto ultralytics entrena los mismos modelos en tu propio equipo.
• Prepara los datos y entrena en un solo flujo de trabajo. Importa conjuntos de datos organizados en carpetas por clase con las instrucciones sobre conjuntos de datos de Platform, revisa las etiquetas y las particiones y, después, entrena en Ultralytics Platform.
• Ejecuta el modelo donde lo necesites. Expórtalo a ONNX, TensorRT, CoreML, LiteRT y otros formatos, o impleméntalo en un endpoint de Platform.
• Conoce las limitaciones. Los clasificadores son de una sola etiqueta. Los endpoints de Platform se ejecutan en CPU, así que para servir grandes volúmenes con GPU es mejor usar tu propio hardware u otra nube. Ultralytics ofrece licencias AGPL-3.0 y Enterprise: los despliegues propietarios que no puedan cumplir las obligaciones de AGPL-3.0 necesitan una licencia Enterprise.