Análisis 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 de distintas maneras, por ejemplo, mediante instrucciones directas o la observación de patrones y experiencias, los sistemas de IA y aprendizaje automático están diseñados para seguir estos mismos enfoques.

En concreto, los algoritmos de aprendizaje automático entrenan los sistemas para que aprendan a partir de datos, en lugar de programarlos 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 artificial es una rama de la IA 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.

Se utilizan distintas técnicas de aprendizaje de IA para entrenar estos sistemas, según el tipo de datos disponibles y el problema que se quiera resolver.

Algunos modelos de visión artificial aprenden a partir de datos etiquetados, donde cada entrada se acompaña de una respuesta correcta; es decir, cada imagen o punto de datos tiene una etiqueta predefinida que indica qué representa. Esto permite que el modelo aprenda la relación entre la entrada y la salida esperada, lo que mejora su capacidad para hacer predicciones precisas con datos nuevos que no ha visto antes.

Otros modelos de visión aprenden a partir de datos sin etiquetar, sin 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 constituyen la base de muchos sistemas de visión artificial de última generación.

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

Cómo impulsan la visión artificial los enfoques de aprendizaje de IA#

Puedes pensar en la inteligencia artificial como un paraguas que engloba una variedad 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, las distintas técnicas de aprendizaje determinan cómo aprende un modelo y mejora con el tiempo. Enfoques como el aprendizaje supervisado (aprender a partir de datos etiquetados con respuestas correctas), el aprendizaje no supervisado (identificar patrones en datos sin etiquetar), el aprendizaje por refuerzo (aprender mediante prueba y error con 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. Resumen de los métodos de aprendizaje de IA (Fuente)

En particular, los sistemas de visión artificial se crean utilizando estos enfoques de aprendizaje para interpretar y comprender datos visuales. El aprendizaje supervisado es el método más utilizado, ya que permite que los modelos aprendan a partir de ejemplos claramente etiquetados y produzcan 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. Por su parte, el aprendizaje no supervisado y el semisupervisado también se utilizan en la visión artificial, a menudo para explorar patrones en los datos o mejorar el rendimiento cuando hay pocos datos etiquetados.

Uso de modelos de aprendizaje supervisado en visión artificial#

Puedes comparar los algoritmos de aprendizaje supervisado con una clase en la que un profesor presenta 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, donde cada entrada se acompaña de una salida conocida.

Imagina que estás trabajando en un sistema de visión artificial 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, lo que permite casos de uso como el seguimiento de la pelota y la detección de jugadores a lo largo de los 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 artificial, como la clasificación de imágenes, la segmentación de instancias y la estimación de poses, donde la precisión y la consistencia son importantes. En cada una de estas tareas, los modelos aprenden de datos etiquetados para identificar patrones específicos y realizar predicciones fiables con 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, en términos generales, 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 artificial solían basarse en características diseñadas manualmente, combinadas con algoritmos como las máquinas de vectores de soporte (SVMs, modelos que clasifican datos encontrando el mejor límite entre categorías) o los árboles de decisión (modelos que toman decisiones dividiendo los datos en ramas).

En cambio, hoy en día los modelos de visión artificial utilizan el aprendizaje profundo para aprender automáticamente estas características a partir de los datos, lo que los hace más eficaces para gestionar tareas visuales detalladas y a gran escala.

Por qué son necesarios los modelos de aprendizaje no supervisado en la IA visual#

Aunque el aprendizaje supervisado es el enfoque preferido en la visión artificial, hay aplicaciones de visión en las que no se dispone de datos etiquetados o etiquetarlos resulta demasiado caro y lleva demasiado tiempo.

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

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 artificial#

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 en los datos. Busca similitudes y diferencias entre 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 desviación. La detección de anomalías y valores atípicos es una de las aplicaciones industriales más importantes. Algunos ejemplos son detectar productos defectuosos en una línea de fabricación, señalar imágenes médicas inusuales para que las revise un radiólogo o detectar actividades sospechosas 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 el agrupamiento en clústeres y la reducción de dimensionalidad, normalmente aplicadas a características extraídas de las imágenes, en lugar de a las propias imágenes sin procesar. Los métodos de agrupamiento, como el agrupamiento k-means, reúnen imágenes similares según los patrones que comparten, 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 en 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 el resultado final que el aprendizaje supervisado.

Aprendizaje autosupervisado y semisupervisado en visión artificial#

Al explorar el aprendizaje supervisado y el no supervisado, quizá te preguntes si existe un término medio entre ambos. Curiosamente, el aprendizaje autosupervisado y el semisupervisado cubren la brecha entre el aprendizaje supervisado y el no supervisado.

Estos enfoques permiten que los modelos aprendan de manera más eficaz a partir de datos sin etiquetar. 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 mayor sin etiquetar.

En el aprendizaje autosupervisado, el modelo aprende resolviendo tareas creadas a partir de los propios datos. Por ejemplo, podría recibir una imagen con una parte ausente y aprender a predecir qué debería ocupar ese espacio, o aprender a reconocer distintas vistas de un mismo objeto. Esto ayuda al modelo a aprender características útiles sin necesidad de etiquetas manuales.

Por otro lado, en el aprendizaje semisupervisado, se utiliza una pequeña cantidad de datos etiquetados junto con un conjunto más amplio 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 contar con grandes conjuntos de datos etiquetados, cuya creación suele ser cara y llevar mucho tiempo. Sin embargo, pueden ser más complejos de diseñar y evaluar que los métodos totalmente supervisados.

Principales diferencias entre el aprendizaje supervisado y el no supervisado#

La diferencia entre el aprendizaje supervisado y el no supervisado radica en cómo aprende un modelo y qué intenta conseguir. Mientras que el aprendizaje supervisado se basa en datos etiquetados y directrices claras para aprender tareas específicas, el aprendizaje no supervisado funciona sin respuestas predefinidas y se centra en descubrir patrones y estructuras en 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 semáforos. 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 atascos inesperados o movimientos anómalos, sin que se le indique explícitamente qué debe buscar.

Cuándo utilizar el aprendizaje supervisado en visión artificial#

El aprendizaje supervisado es una opción excelente para las tareas de visión artificial cuyo objetivo está claramente definido y en las que el modelo debe transformar los datos de entrada en resultados precisos. Funciona especialmente bien cuando dispones de un conjunto de datos etiquetados fiable y necesitas resultados coherentes y predecibles.

Fig. 3. Tareas de visión artificial 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, el objetivo es aprender relaciones precisas a partir de datos etiquetados, lo que facilita guiar al modelo hacia el resultado deseado.

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

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

Ejemplos reales de visión artificial supervisada#

Los modelos de IA visual, como los modelos Ultralytics YOLO, utilizan el 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 la visión en el mundo real en los que el aprendizaje supervisado marca la diferencia:

• Sanidad e imágenes médicas: Los médicos pueden utilizar sistemas de visión artificial entrenados con exploraciones etiquetadas, como radiografías o resonancias magnéticas, en los que se emplean clasificadores para identificar afecciones como tumores o fracturas y facilitar 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 varias 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 sistemática 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, lo que ayuda a los vehículos a circular de forma segura en tiempo real.
• Comercio minorista y sistemas de pago: Las tiendas utilizan modelos entrenados con imágenes de productos etiquetadas para identificar artículos en las estanterías o en caja, lo que permite automatizar los cobros y gestionar las existencias de forma más eficiente. Estos sistemas también pueden facilitar tareas como la segmentación de clientes al combinarse con datos adicionales, lo que ayuda a las empresas a comprender mejor los hábitos de compra.
• Agricultura y seguimiento de cultivos: Los agricultores pueden utilizar modelos entrenados con imágenes etiquetadas para detectar y clasificar cultivos; por ejemplo, para identificar y contar patatas sanas y dañadas, mejorar el control de calidad y reducir las pérdidas.

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

Qué tipos de problemas de visión artificial 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.

Se suele utilizar 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 agrupar imágenes similares o señalar valores atípicos que quizá requieran más atención. Esto lo convierte en un punto de partida útil para proyectos de ciencia de datos.

Los modelos generativos, como 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 IA 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 lleva mucho tiempo o no es viable. En esos casos, te permite obtener información a partir de los datos sin depender de datos de entrenamiento etiquetados.

También se utiliza habitualmente en áreas como la IA 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), donde los modelos aprenden características generales a partir de grandes cantidades de datos. En definitiva, si tu problema implica explorar, descubrir patrones o trabajar con datos sin etiquetar, el aprendizaje no supervisado es un enfoque flexible y práctico que puedes tener en cuenta.

Ejemplos reales de aprendizaje no supervisado en visión artificial#

Estos son algunos ejemplos de casos de uso del aprendizaje no supervisado en visión artificial:

• Detección de anomalías en la fabricación: Los modelos pueden aprender cómo son los productos normales y señalar 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 las multitudes, 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, lo que ayuda a mejorar la calidad de los datos y reducir el trabajo manual.

Limitaciones prácticas del aprendizaje supervisado y no supervisado#

Aunque ambos enfoques de aprendizaje ofrecen ventajas, hay ciertas limitaciones que debes tener en cuenta. Estos son algunos factores prácticos que conviene considerar al crear modelos de visión artificial:

• Sobreajuste en modelos supervisados: En el aprendizaje supervisado, un modelo puede ajustarse demasiado a los datos de entrenamiento en vez de aprender patrones generales. Esto suele ocurrir cuando el conjunto de datos es pequeño o no es lo bastante diverso. Por ejemplo, un modelo entrenado para detectar defectos en un tipo de producto puede fallar al probarlo con datos nuevos que incluyan productos o condiciones de iluminación ligeramente diferentes.
• Retos de los algoritmos de agrupamiento: En el aprendizaje no supervisado, un modelo puede agrupar puntos de datos similares. Sin embargo, este enfoque puede fallar cuando los datos tienen ruido, son incoherentes o carecen de una estructura clara. Por ejemplo, en tareas de agrupamiento de imágenes, podrían agruparse incorrectamente imágenes con colores similares pero con objetos distintos.
• Importancia del preprocesamiento adecuado: Antes del entrenamiento, es necesario limpiar y preparar los datos. Esto suele hacerse mediante bibliotecas de Python que procesan imágenes y transforman datos. Es especialmente importante en la visión artificial, donde las imágenes pueden variar en tamaño, calidad o iluminación. Sin un preprocesamiento adecuado, los modelos pueden aprender del ruido en vez de captar patrones relevantes, lo que reduce su rendimiento.

Conclusiones clave#

En la visión artificial, tanto el aprendizaje supervisado como el no supervisado desempeñan un papel importante. El enfoque adecuado depende del tipo de datos que tengas, de si están etiquetados o no, así como del problema que intentas resolver y de tus necesidades de despliegue.

Si tu objetivo es lograr una gran precisión y obtener resultados claramente definidos, 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 IA? Echa un vistazo a nuestra comunidad y a nuestro repositorio de GitHub. Explora nuestras páginas de soluciones para descubrir la IA en robótica y la visión artificial en la agricultura. Descubre nuestras opciones de licencia y empieza hoy mismo a crear con visión artificial.