Los mejores conjuntos de datos de visión artificial de 2025

¿Sabías que los datos intervienen en casi todo lo que haces a diario? Ver un vídeo, hacer una foto o consultar Google Maps contribuye al flujo constante de información que capturan más de 75 000 millones de dispositivos conectados. Estos datos constituyen la base de la inteligencia artificial (IA). De hecho, los modelos avanzados de visión artificial, como Ultralytics YOLO11, dependen de los datos visuales para identificar patrones, interpretar imágenes y comprender el mundo que nos rodea.

Curiosamente, el valor de los datos no depende solo de la cantidad. Lo más importante es lo bien organizados y preparados que estén. Si un conjunto de datos está desordenado o incompleto, puede dar lugar a errores. Sin embargo, cuando los conjuntos de datos son limpios y variados, ayudan a los modelos de visión artificial a rendir mejor, ya sea al reconocer objetos entre una multitud o al analizar imágenes complejas. Los conjuntos de datos de alta calidad marcan la diferencia.

En este artículo, exploraremos los mejores conjuntos de datos de visión artificial de 2025 y veremos cómo contribuyen a crear modelos de visión artificial más precisos y eficientes.

¿Qué son los conjuntos de datos de visión artificial?#

Un conjunto de datos de visión artificial es una colección de imágenes o vídeos que ayuda a los sistemas de visión artificial a aprender a comprender y reconocer información visual. Estos conjuntos de datos incluyen etiquetas o anotaciones que ayudan a los modelos a reconocer objetos, personas, escenas y patrones en los datos.

Pueden utilizarse para entrenar modelos de visión artificial y ayudarles a mejorar en tareas como identificar rostros, detectar objetos o analizar escenas. Cuanto mejor sea el conjunto de datos —bien organizado, variado y preciso—, mejor funcionará el modelo de IA visual, lo que dará lugar a una tecnología más inteligente y útil en la vida cotidiana.

Cómo crear un conjunto de datos de visión artificial#

Crear un conjunto de datos de visión artificial es como preparar apuntes para enseñar a alguien a ver y comprender el mundo. Todo empieza por recopilar imágenes y vídeos que se ajusten a la aplicación específica que estás desarrollando.

Un conjunto de datos ideal incluye ejemplos variados de los objetos de interés, capturados desde distintos ángulos, con diferentes condiciones de iluminación y sobre múltiples fondos y entornos. Esta variedad garantiza que el modelo de visión artificial aprenda a reconocer patrones con precisión y funcione de forma fiable en situaciones reales.

Fig. 1. Cómo crear el conjunto de datos de visión ideal. Imagen del autor.

Después de recopilar las imágenes y los vídeos pertinentes, el siguiente paso es el etiquetado de datos. Este proceso consiste en añadir etiquetas, anotaciones o descripciones a los datos para que la IA pueda entender qué contiene cada imagen o vídeo.

Las etiquetas pueden incluir nombres de objetos, ubicaciones, límites u otros detalles pertinentes que ayuden a entrenar el modelo para reconocer e interpretar información visual con precisión. El etiquetado de datos transforma una simple colección de imágenes en un conjunto de datos estructurado que puede utilizarse para entrenar un modelo de visión artificial.

El entrenamiento de modelos requiere datos de alta calidad#

Puede que te preguntes qué hace que un conjunto de datos sea de alta calidad. Intervienen muchos factores, como la precisión del etiquetado, la diversidad y la coherencia. Por ejemplo, si varias personas anotadoras etiquetan un conjunto de datos de detección de objetos para identificar orejas de gato, una podría etiquetarlas como parte de la cabeza y otra podría anotarlas por separado como orejas. Esta incoherencia puede confundir al modelo y afectar a su capacidad para aprender correctamente.

Aquí tienes un breve resumen de las características de un conjunto de datos de visión artificial ideal:

• Etiquetas claras: Cada imagen está anotada con etiquetas precisas y coherentes.
• Datos variados: El conjunto de datos incluye distintos objetos, fondos, condiciones de iluminación y ángulos para ayudar al modelo a funcionar bien en diversas situaciones.
• Imágenes de alta resolución: Las imágenes nítidas y detalladas facilitan que el modelo aprenda y reconozca características.

Ultralytics admite diversos conjuntos de datos#

Los modelos Ultralytics YOLO, como YOLO11, están diseñados para trabajar con conjuntos de datos en un formato de archivo YOLO específico. Aunque es fácil convertir tus propios datos a este formato, también ofrecemos una opción más sencilla para quienes quieran empezar a experimentar de inmediato.

El paquete de Python de Ultralytics admite una amplia variedad de conjuntos de datos de visión artificial, lo que te permite empezar a trabajar en proyectos con tareas como la detección de objetos, la segmentación de instancias o la estimación de pose sin necesidad de configuraciones adicionales.

Los usuarios pueden acceder fácilmente a conjuntos de datos listos para usar, como COCO, DOTA (v1.0 y v1.5), Open Images V7 e ImageNet, indicando el nombre del conjunto de datos como uno de los parámetros de la función de entrenamiento. Al hacerlo, el conjunto de datos se descarga y configura automáticamente, para que puedas centrarte en crear y perfeccionar tus modelos.

Los 5 mejores conjuntos de datos de visión artificial de 2025#

Los avances en IA visual dependen de conjuntos de datos diversos y a gran escala que impulsan la innovación y hacen posibles grandes avances. Echemos un vistazo a algunos de los conjuntos de datos más importantes compatibles con Ultralytics que están influyendo en los modelos de visión artificial.

Conjunto de datos ImageNet#

ImageNet, creado por Fei-Fei Li y su equipo de la Universidad de Princeton en 2007 y presentado en 2009, es un amplio conjunto de datos con más de 14 millones de imágenes etiquetadas. Se utiliza ampliamente para entrenar sistemas que reconocen y clasifican distintos objetos. Su estructura organizada lo hace especialmente útil para enseñar a los modelos a clasificar imágenes con precisión. Aunque está bien documentado, se centra principalmente en la clasificación de imágenes y carece de anotaciones detalladas para tareas como la detección de objetos.

Estas son algunas de las principales fortalezas de ImageNet:

• Diversidad: Con imágenes que abarcan más de 20 000 categorías, ImageNet ofrece un conjunto de datos amplio y variado que mejora el entrenamiento y la capacidad de generalización de los modelos.
• Organización estructurada: Las imágenes se clasifican meticulosamente según la jerarquía de WordNet, lo que facilita la recuperación eficiente de datos y el entrenamiento sistemático de modelos.
• Documentación completa: la amplia investigación y los años de estudio hacen que ImageNet sea accesible tanto para principiantes como para expertos, y ofrece información y orientación valiosas para proyectos de visión artificial.

Sin embargo, como cualquier conjunto de datos, tiene sus limitaciones. Estos son algunos de los desafíos que debes tener en cuenta:

• Exigencias computacionales: Su enorme tamaño puede plantear dificultades a los equipos pequeños con recursos informáticos limitados.
• Falta de datos temporales: Como solo contiene imágenes estáticas, puede no satisfacer las necesidades de las aplicaciones que requieren vídeo o datos basados en el tiempo.
• Imágenes obsoletas: Algunas imágenes del conjunto de datos son antiguas y puede que no reflejen los objetos, estilos o entornos actuales, lo que podría reducir su relevancia para las aplicaciones modernas.

Conjunto de datos DOTA-v2.0#

El conjunto de datos DOTA-v2.0, donde DOTA significa conjunto de datos para la detección de objetos en imágenes aéreas, es una extensa colección de imágenes aéreas creada específicamente para la detección de objetos con cajas delimitadoras orientadas (OBB). En la detección OBB se utilizan cajas delimitadoras giradas para ajustarse con mayor precisión a la orientación real de los objetos de la imagen. Este método funciona especialmente bien con imágenes aéreas, en las que los objetos suelen aparecer en distintos ángulos, lo que permite localizarlos con mayor precisión y mejorar la detección en general.

Este conjunto de datos contiene más de 11 000 imágenes y más de 1,7 millones de cajas delimitadoras orientadas repartidas en 18 categorías de objetos. Las imágenes tienen entre 800×800 y 20 000×20 000 píxeles e incluyen objetos como aviones, barcos y edificios.

Fig. 2. Ejemplos de imágenes y anotaciones del conjunto de datos DOTA-v2.0. Imagen del autor.

Gracias a sus anotaciones detalladas, DOTA-v2.0 se ha convertido en una opción popular para proyectos de teledetección y vigilancia aérea. Estas son algunas de las principales características de DOTA-v2.0:

• Diversidad de categorías de objetos: Abarca muchos tipos de objetos, como vehículos, puertos y depósitos de almacenamiento, lo que permite que los modelos aprendan a partir de distintos objetos del mundo real.
• Anotaciones de alta calidad: Anotadores expertos han proporcionado cajas delimitadoras orientadas con precisión que muestran claramente las formas y direcciones de los objetos.
• Imágenes multiescala: El conjunto de datos incluye imágenes de distintos tamaños, lo que ayuda a los modelos a aprender a detectar objetos a escalas pequeñas y grandes.

Aunque DOTA-v2 tiene muchas ventajas, estas son algunas limitaciones que los usuarios deben tener en cuenta:

• Pasos adicionales para la descarga: Debido a la forma en que se mantiene el conjunto de datos DOTA, DOTA-v2.0 requiere un paso adicional de configuración. Primero tienes que descargar las imágenes de DOTA-v1.0 y, después, añadir las imágenes adicionales y las anotaciones actualizadas de DOTA-v2.0 para completar el conjunto de datos.
• Anotaciones complejas: Las cajas delimitadoras orientadas pueden requerir un esfuerzo adicional para gestionarlas durante el entrenamiento del modelo.
• Ámbito limitado: DOTA-v2 está diseñado para imágenes aéreas, por lo que resulta menos útil para tareas generales de detección de objetos ajenas a este ámbito.

Conjunto de datos Roboflow 100#

El conjunto de datos Roboflow 100 (RF100) fue creado por Roboflow con el apoyo de Intel. Puede utilizarse para probar y comparar el rendimiento de los modelos de detección de objetos. Este conjunto de datos de referencia incluye 100 conjuntos de datos distintos seleccionados entre más de 90 000 conjuntos de datos públicos. Contiene más de 224 000 imágenes y 800 clases de objetos de ámbitos como la sanidad, las vistas aéreas y los videojuegos.

Estas son algunas de las principales ventajas de utilizar RF100:

• Amplia cobertura de ámbitos: Incluye conjuntos de datos de siete campos, como la imagen médica, las vistas aéreas y la exploración submarina.
• Impulsa la mejora de los modelos: La variabilidad y los desafíos específicos de cada ámbito de RF100 ponen de manifiesto las carencias de los modelos actuales e impulsan la investigación hacia soluciones de detección de objetos más adaptables y robustas.
• Formato de imagen uniforme: Todas las imágenes se redimensionan a 640x640 píxeles. Esto permite entrenar modelos sin tener que ajustar el tamaño de las imágenes.

A pesar de sus ventajas, RF100 también presenta ciertos inconvenientes que debes tener en cuenta:

• Limitado en cuanto a tareas: RF100 está diseñado para la detección de objetos, por lo que no admite tareas como la segmentación o la clasificación.
• Enfoque centrado en la evaluación comparativa: RF100 está diseñado principalmente como herramienta de evaluación comparativa, no para entrenar modelos destinados a aplicaciones reales, por lo que sus resultados quizá no se trasladen plenamente a escenarios de implementación práctica.
• Variabilidad de las anotaciones: Como RF100 reúne conjuntos de datos recopilados mediante colaboraciones colectivas, puede haber incoherencias en la calidad de las anotaciones y en las prácticas de etiquetado, lo que podría afectar a la evaluación y al ajuste fino del modelo.

Conjunto de datos COCO (objetos comunes en contexto)#

El conjunto de datos COCO es uno de los conjuntos de datos de visión artificial más utilizados y ofrece más de 330 000 imágenes con anotaciones detalladas. Está diseñado para la detección de objetos, la segmentación y la generación de descripciones de imágenes, por lo que es un recurso valioso para muchos proyectos. Sus etiquetas detalladas, que incluyen cajas delimitadoras y máscaras de segmentación, ayudan a los sistemas a aprender a analizar imágenes con precisión.

Este conjunto de datos es conocido por su flexibilidad y resulta útil para diversas tareas, desde proyectos sencillos hasta los más complejos. Se ha convertido en un estándar en el campo de la IA visual y se utiliza con frecuencia en retos y competiciones para evaluar el rendimiento de los modelos.

Entre sus puntos fuertes se incluyen:

• Datos diversos y realistas: El conjunto de datos incluye imágenes de situaciones reales con varios objetos, oclusiones y condiciones de iluminación variadas.
• Gran adopción en la comunidad y la investigación: El conjunto de datos COCO, utilizado en importantes competiciones de aprendizaje automático y proyectos de investigación, cuenta con documentación exhaustiva, modelos preentrenados y el apoyo de una comunidad activa.
• Anotaciones completas y detalladas: el conjunto de datos COCO ofrece anotaciones muy detalladas, como la segmentación de objetos, los puntos clave y los pies de foto, por lo que es ideal para proyectos que requieren una comprensión visual precisa.

También debes tener en cuenta algunos factores limitantes:

• Elevadas exigencias computacionales: Por su tamaño y complejidad, entrenar modelos con COCO puede requerir muchos recursos computacionales, lo que plantea dificultades a los equipos con hardware limitado.
• Desequilibrio de datos: Algunas categorías de objetos tienen muchas más imágenes que otras, lo que puede generar sesgos durante el entrenamiento de los modelos.
• Estructura de anotaciones compleja: Las anotaciones detalladas del conjunto de datos, aunque son valiosas, pueden resultar abrumadoras para los principiantes o los equipos pequeños que no tienen experiencia trabajando con conjuntos de datos estructurados de IA visual.

Conjunto de datos Open Images V7#

Open Images V7 es un enorme conjunto de datos de código abierto seleccionado por Google, con más de 9 millones de imágenes anotadas en 600 categorías de objetos. Incluye diversos tipos de anotaciones y es ideal para abordar tareas complejas de visión artificial. Su escala y profundidad lo convierten en un recurso completo para entrenar y probar modelos de visión artificial.

Fig. 3. Un vistazo al conjunto de datos Open Images V7. Imagen del autor.

Además, la popularidad del conjunto de datos Open Images V7 en la investigación ofrece a los usuarios numerosos recursos y ejemplos de aprendizaje. Sin embargo, su enorme tamaño puede hacer que la descarga y el procesamiento lleven mucho tiempo, especialmente para los equipos pequeños. Otro problema es que algunas anotaciones pueden ser incoherentes, por lo que se necesita un esfuerzo adicional para limpiar los datos. La integración tampoco siempre es sencilla, así que puede ser necesario prepararlos más.

Cómo elegir el conjunto de datos adecuado#

Elegir el conjunto de datos adecuado es fundamental para que tu proyecto de visión artificial tenga éxito. La mejor opción depende de la tarea concreta: encontrar una que encaje bien ayuda a que tu modelo aprenda las capacidades adecuadas. También debería integrarse fácilmente con tus herramientas, para que puedas centrarte más en desarrollar el modelo y menos en resolver problemas.

Fig. 4. Factores para elegir el conjunto de datos adecuado. Imagen del autor.

Conclusiones clave#

Los conjuntos de datos de alta calidad son la base de cualquier modelo de visión artificial y ayudan a los sistemas a aprender a interpretar imágenes con precisión. Los conjuntos de datos diversos y bien anotados son especialmente importantes, ya que permiten que los modelos funcionen de forma fiable en situaciones reales y reducen los errores causados por datos limitados o de baja calidad.

Ultralytics simplifica el proceso de acceso a los conjuntos de datos de visión artificial y trabajo con ellos, lo que facilita encontrar los datos adecuados para tu proyecto. Elegir el conjunto de datos adecuado es un paso crucial para crear un modelo de alto rendimiento y obtener resultados más precisos y significativos.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para aprender más sobre IA. Descubre avances como la visión artificial en la sanidad y la IA en los coches autónomos en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y da hoy el primer paso para iniciarte en la visión artificial.