Exploración del aprendizaje supervisado y no supervisado en visión artificial

La inteligencia artificial (AI) se basa en el concepto fundamental de enseñar a las máquinas a aprender y razonar de formas que se asemejan a la inteligencia humana. Al igual que las personas aprenden mediante distintos métodos, como la instrucción directa o la observación de patrones y experiencias, los sistemas de AI y aprendizaje automático están diseñados para seguir estos mismos enfoques.

En concreto, cuando hablamos de algoritmos de aprendizaje automático, los sistemas se entrenan para aprender de los datos en lugar de programarse explícitamente para cada tarea. En vez de depender de reglas fijas, los modelos de aprendizaje automático identifican patrones en los datos y los utilizan para realizar predicciones o tomar decisiones.

Por ejemplo, la visión por ordenador es una rama de la AI y el aprendizaje automático que se centra en permitir que los sistemas interpreten y comprendan información visual, como imágenes y vídeos. Desde reconocer objetos hasta identificar patrones ocultos en grandes conjuntos de datos, estos sistemas dependen en gran medida de cómo se entrenan para aprender.

Para entrenar estos sistemas se utilizan diversas técnicas de aprendizaje de AI, según el tipo de datos disponible y el problema que se quiera resolver.

Algunos modelos de visión por ordenador aprenden a partir de datos etiquetados, en los que cada entrada se empareja con una respuesta correcta; es decir, cada imagen o punto de datos incluye una etiqueta predefinida que indica qué representa. Esto permite al modelo aprender la relación entre la entrada y la salida esperada, mejorando su capacidad para realizar predicciones precisas sobre datos nuevos que no ha visto.

Otros modelos de visión aprenden a partir de datos sin etiquetar, en los que no se proporcionan respuestas predefinidas, y se centran en identificar patrones y relaciones dentro de los propios datos. Estos enfoques se conocen, respectivamente, como aprendizaje supervisado y aprendizaje no supervisado, y forman la base de muchos sistemas de visión por ordenador de última generación.

En este artículo exploraremos el aprendizaje supervisado y no supervisado, cómo se utilizan en visión por ordenador y cómo elegir el enfoque que mejor se adapte a tu proyecto de AI de visión. ¡Empecemos!

Cómo los enfoques de aprendizaje de AI impulsan la visión por ordenador#

Puedes pensar en la inteligencia artificial como un paraguas que cubre una serie de tecnologías que permiten a las máquinas realizar tareas que normalmente requieren inteligencia humana. Dentro de este paraguas, el aprendizaje automático es un área clave que permite a los sistemas aprender de los datos en lugar de depender únicamente de reglas fijas.

Dentro del aprendizaje automático, distintas técnicas de aprendizaje determinan cómo aprende un modelo y cómo mejora con el tiempo. Enfoques como el aprendizaje supervisado (aprender de datos etiquetados con respuestas correctas), el aprendizaje no supervisado (identificar patrones en datos sin etiquetar), el aprendizaje por refuerzo (aprender mediante ensayo y error usando comentarios o recompensas) y el aprendizaje semisupervisado (combinar una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar) definen cómo procesan los sistemas los datos de entrada y generan los datos de salida.

Fig. 1. Descripción general de los métodos de aprendizaje de AI (Fuente)

En particular, los sistemas de visión por ordenador se crean utilizando estos enfoques de aprendizaje para interpretar y comprender datos visuales. El aprendizaje supervisado es el método más utilizado, ya que permite a los modelos aprender de ejemplos claramente etiquetados y producir resultados precisos y fiables.

Por ejemplo, se puede entrenar un modelo con imágenes etiquetadas como «gato» y «perro», para que aprenda características como la forma, las orejas y la estructura facial y pueda clasificar correctamente imágenes nuevas mediante algoritmos de clasificación. Mientras tanto, el aprendizaje no supervisado y el semisupervisado también se utilizan en visión por ordenador, a menudo para explorar patrones en los datos o mejorar el rendimiento cuando los datos etiquetados son limitados.

Un vistazo al uso de modelos de aprendizaje supervisado en visión por ordenador#

Puedes comparar los algoritmos de aprendizaje supervisado con una clase, en la que un profesor proporciona ejemplos junto con las respuestas correctas para que los alumnos aprendan qué está bien y qué está mal. En el aprendizaje automático, los modelos aprenden de forma similar utilizando datos etiquetados, en los que cada entrada se empareja con una salida conocida.

Supongamos que estás desarrollando un sistema de visión por ordenador que automatiza el análisis de partidos de béisbol. Podrías entrenar un modelo como Ultralytics YOLO26 con imágenes o fotogramas de vídeo en los que estén etiquetados objetos como la pelota, el bate y los jugadores.

Cada objeto se marcaría con su ubicación y categoría, lo que permitiría al modelo aprender qué debe buscar. Con el tiempo, el modelo puede detectar y localizar estos objetos en nuevas grabaciones, dando soporte a casos de uso como el seguimiento de la pelota y la detección de jugadores entre fotogramas.

Fig. 2. Ejemplo de detección de objetos mediante aprendizaje supervisado (Fuente)

Además de la detección de objetos, el aprendizaje supervisado se utiliza ampliamente en diversas tareas de visión por ordenador, como la clasificación de imágenes, la segmentación de instancias y la estimación de poses, en las que la precisión y la coherencia son importantes. En cada una de estas tareas, los modelos aprenden de datos etiquetados para identificar patrones específicos y realizar predicciones fiables sobre nuevas entradas.

Estos modelos suelen crearse mediante aprendizaje profundo, un tipo de aprendizaje automático que utiliza redes neuronales para aprender patrones directamente de los datos. Las redes neuronales están diseñadas para procesar información de una forma inspirada vagamente en el funcionamiento del cerebro humano, lo que permite a los modelos aprender características visuales complejas a partir de grandes conjuntos de datos.

Los primeros enfoques de visión por ordenador solían basarse en características diseñadas manualmente, combinadas con algoritmos como las máquinas de vectores de soporte (SVM, modelos que clasifican datos al encontrar el mejor límite entre categorías) o los árboles de decisión (modelos que toman decisiones dividiendo los datos en ramas).

En cambio, los modelos actuales de visión por ordenador utilizan aprendizaje profundo para aprender automáticamente estas características a partir de los datos, lo que los hace más eficaces para abordar tareas visuales de gran escala y con un alto nivel de detalle.

Comprender la necesidad de los modelos de aprendizaje no supervisado en la AI de visión#

Aunque el aprendizaje supervisado es el enfoque habitual en visión por ordenador, hay ciertas aplicaciones de visión en las que los datos etiquetados no están disponibles o resultan demasiado caros y lentos de crear.

En estos casos, los algoritmos de aprendizaje no supervisado pueden ser una alternativa útil. Supongamos que tienes una gran colección de fotos sin etiquetar tomadas por una cámara de vigilancia de fauna.

No hay etiquetas que indiquen qué contiene cada imagen, pero aun así quieres organizar o comprender los datos. Un modelo no supervisado puede analizar estas imágenes y agrupar las similares, separando en clústeres a los animales de aspecto parecido, incluso sin conocer sus etiquetas exactas.

Cómo funciona el aprendizaje no supervisado en visión por ordenador#

Entonces, ¿cómo funciona el aprendizaje automático no supervisado? En lugar de aprender a partir de respuestas correctas, el modelo aprende identificando por sí mismo patrones y estructuras dentro de los datos. Busca similitudes y diferencias en los datos sin depender de ejemplos etiquetados.

Un caso de uso habitual es la detección de anomalías, en la que el modelo aprende cómo son los datos normales y después identifica cualquier elemento que se desvíe de ellos. La detección de anomalías y valores atípicos es una de las aplicaciones industriales de mayor impacto. Algunos ejemplos son detectar productos defectuosos en una línea de fabricación, marcar exploraciones médicas inusuales para que las revise un radiólogo o detectar actividad sospechosa en grabaciones de vigilancia. Como los defectos y las anomalías suelen ser poco frecuentes y variados, etiquetar todos los casos posibles no resulta práctico, por lo que los enfoques no supervisados son una opción natural.

Para ello, suelen utilizarse técnicas como la agrupación y la reducción de dimensionalidad, normalmente sobre características extraídas de las imágenes en lugar de sobre las propias imágenes sin procesar. Los métodos de agrupación, como la agrupación k-means, reúnen imágenes similares en función de patrones compartidos, mientras que las técnicas de reducción de dimensionalidad, como el análisis de componentes principales (PCA), simplifican los datos centrándose en las características más importantes.

Esto facilita que el modelo identifique patrones y estructuras relevantes dentro de conjuntos de datos grandes y complejos. La principal ventaja del aprendizaje no supervisado es que funciona bien con datos sin etiquetar y puede revelar patrones que no son evidentes a primera vista. Sin embargo, es más difícil de evaluar y ofrece menos control sobre la salida final que el aprendizaje supervisado.

Aprendizaje autosupervisado y semisupervisado en visión por ordenador#

Mientras exploras el aprendizaje supervisado y no supervisado, quizá te preguntes si existe un punto intermedio entre ambos. Curiosamente, el aprendizaje autosupervisado y el semisupervisado tienden un puente entre el aprendizaje supervisado y el no supervisado.

Estos enfoques permiten que los modelos aprendan de datos sin etiquetar de forma más eficaz. En lugar de depender únicamente de ejemplos etiquetados, crean sus propias tareas de aprendizaje a partir de los datos o combinan un pequeño conjunto de datos etiquetados con otro más grande sin etiquetar.

En el aprendizaje autosupervisado, el modelo aprende resolviendo tareas creadas a partir de los propios datos. Por ejemplo, se le puede proporcionar una imagen con una parte ausente para que aprenda a predecir qué debería ocupar ese espacio, o puede aprender a reconocer distintas vistas del mismo objeto. Esto ayuda al modelo a aprender características útiles sin necesitar etiquetas manuales.

Por otro lado, en el aprendizaje semisupervisado, se utiliza una pequeña cantidad de datos etiquetados junto con un conjunto más grande de datos sin etiquetar para mejorar el rendimiento. En algunos casos, el modelo puede generar etiquetas para los datos sin etiquetar y utilizarlas para seguir aprendiendo.

La principal ventaja de estos enfoques es que reducen la necesidad de grandes conjuntos de datos etiquetados, que suelen ser caros y lentos de crear. Sin embargo, pueden ser más complejos de diseñar y evaluar que los métodos totalmente supervisados.

Diferencias clave entre el aprendizaje supervisado y no supervisado#

La diferencia entre el aprendizaje supervisado y no supervisado se reduce a cómo aprende un modelo y qué intenta conseguir. Mientras que el aprendizaje supervisado depende de datos etiquetados y de una orientación clara para aprender tareas específicas, el aprendizaje no supervisado funciona sin respuestas predefinidas y se centra en descubrir patrones y estructuras dentro de los datos.

Por ejemplo, en un sistema de monitorización del tráfico, se puede entrenar un modelo de aprendizaje supervisado con imágenes etiquetadas para detectar vehículos, peatones o señales de tráfico. En cambio, un modelo no supervisado podría analizar grandes cantidades de grabaciones de vídeo para agrupar patrones de tráfico similares o identificar sucesos inusuales, como una congestión inesperada o un movimiento anómalo, sin indicarle explícitamente qué debe buscar.

Cuándo utilizar el aprendizaje supervisado en visión por ordenador#

El aprendizaje supervisado es una buena opción para tareas de visión por ordenador cuyo objetivo está claramente definido y en las que el modelo debe asignar datos de entrada a salidas precisas. Funciona especialmente bien cuando tienes un conjunto de datos etiquetado fiable y necesitas resultados coherentes y predecibles.

Fig. 3. Tareas de visión por ordenador impulsadas por el aprendizaje supervisado (Fuente)

Se utiliza habitualmente en problemas en los que el modelo debe distinguir entre categorías conocidas o predecir resultados específicos. En lugar de explorar patrones, se centra en aprender relaciones precisas a partir de datos etiquetados, lo que facilita orientar el modelo hacia el resultado deseado.

Otra ventaja clave es el control. Con el aprendizaje supervisado, es más fácil medir el rendimiento mediante métricas claras, ajustar el modelo y garantizar un comportamiento estable durante el despliegue. Esto lo hace perfecto para sistemas que requieren coherencia y fiabilidad a lo largo del tiempo.

Sin embargo, esto implica una contrapartida. El modelo depende en gran medida de la calidad y la escala de los datos etiquetados, y recopilar y anotar esos datos puede llevar mucho tiempo.

Ejemplos reales de visión por ordenador supervisada#

Los modelos de AI de visión, como los modelos Ultralytics YOLO, utilizan aprendizaje supervisado para realizar tareas como la detección de objetos con gran precisión, especialmente en aplicaciones en tiempo real. Estos son algunos casos de uso habituales de visión en el mundo real en los que el aprendizaje supervisado marca la diferencia:

• Sanidad e imagen médica: Los médicos pueden utilizar sistemas de visión por ordenador entrenados con exploraciones etiquetadas, como radiografías o resonancias magnéticas, en los que los clasificadores identifican afecciones como tumores o fracturas, contribuyendo a diagnósticos más rápidos y precisos.
• Inspección de calidad industrial: En entornos de fabricación, los sistemas de visión entrenados con datos etiquetados pueden inspeccionar productos analizando diversas características relacionadas con la calidad, como la forma, los defectos superficiales, la textura y el tamaño. Al aprender de ejemplos de productos aceptables y defectuosos, estos sistemas pueden identificar fallos de forma coherente y mantener los estándares de producción.
• Conducción autónoma: Los sistemas de conducción autónoma dependen de modelos entrenados con datos de conducción etiquetados para reconocer carriles, vehículos, peatones y señales de tráfico, ayudando a los vehículos a desplazarse de forma segura en tiempo real.
• Sistemas de venta y pago en comercios: Las tiendas utilizan modelos entrenados con imágenes etiquetadas de productos para identificar artículos en las estanterías o en la caja, lo que permite automatizar la facturación y gestionar el inventario de forma más eficiente. Estos sistemas también pueden realizar tareas como la segmentación de clientes cuando se combinan con datos adicionales, ayudando a las empresas a comprender mejor los patrones de compra.
• Agricultura y monitorización de cultivos: Los agricultores pueden utilizar modelos entrenados con imágenes etiquetadas para detectar y clasificar cultivos, por ejemplo, identificando y contando patatas sanas y dañadas, mejorando el control de calidad y reduciendo las pérdidas.

Fig. 4. Uso de YOLO para detectar y contar patatas sanas y defectuosas

Qué tipos de problemas de visión por ordenador puede resolver el aprendizaje no supervisado#

El aprendizaje no supervisado es útil cuando no tienes suficientes datos etiquetados o cuando tus datos no incluyen respuestas claras. En estas situaciones, el objetivo no es realizar predicciones exactas, sino comprender los patrones y la estructura de los datos.

Suele utilizarse al explorar por primera vez un conjunto de datos sin etiquetar. En lugar de indicar al modelo qué debe buscar, le permites identificar similitudes, agrupar imágenes relacionadas o destacar patrones inusuales por sí mismo.

En una gran colección de imágenes, un enfoque no supervisado puede ayudar a organizar juntas las imágenes similares o marcar valores atípicos que requieran más atención. Esto lo convierte en un punto de partida útil en proyectos de ciencia de datos.

Los modelos generativos, incluidos las GAN, los autocodificadores variacionales y los modelos de difusión, aprenden la distribución subyacente de las imágenes para crear otras completamente nuevas. Estos modelos impulsan aplicaciones como la síntesis de imágenes, el relleno de imágenes, la superresolución y la transferencia de estilo, y constituyen la base de los sistemas actuales de AI generativa.

En la segmentación no supervisada, algunos métodos agrupan píxeles o regiones en segmentos coherentes sin depender de máscaras etiquetadas, lo que resulta útil cuando la anotación es demasiado costosa o cuando el objetivo es descubrir estructuras en lugar de ajustarse a categorías predefinidas.

El aprendizaje no supervisado también resulta eficaz al trabajar con grandes conjuntos de datos cuyo etiquetado requiere mucho tiempo o no es práctico. En estos casos, permite obtener información útil de los datos sin depender de datos de entrenamiento etiquetados.

También se utiliza habitualmente en áreas como la AI generativa (modelos que crean datos nuevos, como imágenes, texto o audio) y el aprendizaje de representaciones (modelos que aprenden características o patrones útiles a partir de datos sin procesar), en las que los modelos aprenden características generales de grandes cantidades de datos. En resumen, si tu problema implica exploración, descubrimiento de patrones o trabajo con datos sin etiquetar, el aprendizaje no supervisado es un enfoque flexible y práctico que conviene considerar.

Ejemplos reales de aprendizaje no supervisado en visión por ordenador#

Estos son algunos ejemplos de casos de uso en los que se aplica el aprendizaje no supervisado en visión por ordenador:

• Detección de anomalías en la fabricación: Los modelos pueden aprender cómo son los productos normales y marcar defectos o irregularidades sin necesitar ejemplos etiquetados de todos los defectos posibles.
• Organización y búsqueda de imágenes: Las grandes colecciones de imágenes, como las bibliotecas de fotos o los catálogos de comercio electrónico, pueden agruparse automáticamente según su similitud visual, lo que facilita a los científicos de datos organizar, explorar y buscar en grandes conjuntos de datos.
• Vigilancia y seguridad: Los sistemas pueden analizar grabaciones de vídeo para identificar patrones o comportamientos inusuales, como movimientos inesperados o cambios en una multitud, sin haber sido entrenados explícitamente con eventos etiquetados.
• Preprocesamiento y exploración de datos: Los métodos no supervisados suelen utilizarse para explorar y estructurar datos de imágenes sin procesar antes de entrenar modelos supervisados, ayudando a mejorar la calidad de los datos y reducir el esfuerzo manual.

Limitaciones prácticas del aprendizaje supervisado y no supervisado#

A pesar de las ventajas de ambos enfoques de aprendizaje, hay ciertas limitaciones que conviene tener en cuenta. Estos son algunos factores prácticos que debes considerar al crear modelos de visión por ordenador:

• Sobreajuste en modelos supervisados: En el aprendizaje supervisado, un modelo puede aprender los datos de entrenamiento con demasiada precisión en lugar de aprender patrones generales. Esto suele ocurrir cuando el conjunto de datos es pequeño o no lo bastante diverso. Por ejemplo, un modelo entrenado para detectar defectos en un tipo de producto puede fallar al probarlo con datos nuevos formados por productos o condiciones de iluminación ligeramente diferentes.
• Dificultades con los algoritmos de agrupación: En el aprendizaje no supervisado, un modelo puede agrupar puntos de datos similares. Sin embargo, esto puede fallar cuando los datos contienen ruido, son incoherentes o carecen de una estructura clara. Por ejemplo, en tareas de agrupación de imágenes, las imágenes con colores similares pero con objetos diferentes podrían agruparse incorrectamente.
• Importancia de un preprocesamiento adecuado: Antes del entrenamiento, es necesario limpiar y preparar los datos. Esto suele hacerse utilizando bibliotecas de Python que gestionan el procesamiento de imágenes y la transformación de datos. Es especialmente importante en visión por ordenador, donde las imágenes pueden variar en tamaño, calidad o iluminación. Sin un preprocesamiento adecuado, los modelos pueden aprender del ruido en lugar de los patrones relevantes, lo que provoca un rendimiento deficiente.

Conclusiones clave#

En visión por ordenador, tanto el aprendizaje supervisado como el no supervisado desempeñan funciones importantes. El enfoque adecuado depende del tipo de datos que tengas, de si están etiquetados o no, del problema que intentas resolver y de tus necesidades de despliegue.

Si tu objetivo es lograr una gran precisión y salidas claramente definidas, el aprendizaje automático supervisado suele ser la mejor opción. Si estás explorando datos o trabajando sin etiquetas, el aprendizaje no supervisado puede ser más adecuado.

¿Quieres saber más sobre AI? Visita nuestra comunidad y nuestro repositorio de GitHub. Explora nuestras páginas de soluciones para obtener más información sobre la AI en robótica y la visión por ordenador en la agricultura. Descubre nuestras opciones de licencia y empieza hoy mismo a desarrollar con visión por ordenador.