Exploración de los mejores conjuntos de datos de visión artificial de 2025

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

Curiosamente, el valor de los datos no depende únicamente de la cantidad. Es más importante lo bien que estén organizados y preparados. Si un conjunto de datos está desordenado o incompleto, puede dar lugar a errores. Sin embargo, cuando los conjuntos de datos son limpios y diversos, ayudan a los modelos de visión por ordenador 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 por ordenador de 2025 y veremos cómo contribuyen a crear modelos de visión por ordenador más precisos y eficientes. ¡Empecemos!

¿Qué son los conjuntos de datos de visión por ordenador?#

Un conjunto de datos de visión por ordenador es una colección de imágenes o vídeos que ayuda a los sistemas de visión por ordenador 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 dentro de los datos.

Pueden utilizarse para entrenar modelos de visión por ordenador y ayudarles a mejorar en tareas como identificar caras, detectar objetos o analizar escenas. Cuanto mejor sea el conjunto de datos —esté bien organizado, sea diverso y preciso—, mejor rendirá el modelo de inteligencia artificial de visión, lo que dará lugar a una tecnología más inteligente y útil en la vida cotidiana.

Cómo crear un conjunto de datos de visión por ordenador#

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

Un conjunto de datos ideal incluye ejemplos diversos 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 por ordenador aprenda a reconocer patrones con precisión y funcione de forma fiable en situaciones reales.

Fig. 1. Creación del conjunto de datos de visión perfecto. Imagen del autor.

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

Las etiquetas pueden incluir nombres de objetos, ubicaciones, límites u otros detalles relevantes 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 por ordenador.

El entrenamiento de modelos requiere datos de alta calidad#

Quizá 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 varios anotadores etiquetan un conjunto de datos de detección de objetos para identificar orejas de gato, uno podría etiquetarlas como parte de la cabeza, mientras que otro podría etiquetarlas 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 cualidades de un conjunto de datos de visión por ordenador ideal:

• Etiquetas claras: Cada imagen está anotada con precisión mediante etiquetas coherentes y exactas.
• Datos diversos: 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 es compatible con 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 sencilla para quienes quieran empezar a experimentar de inmediato.

El paquete de Python de Ultralytics es compatible con una amplia variedad de conjuntos de datos de visión por ordenador, lo que te permite sumergirte en proyectos con tareas como detección de objetos, segmentación de instancias o estimación de poses sin ninguna configuración adicional.

Los usuarios pueden acceder fácilmente a conjuntos de datos listos para usar, como COCO, DOTA-v2.0, Open Images V7 e ImageNet, especificando 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 preconfigura automáticamente, para que puedas centrarte en crear y perfeccionar tus modelos.

Los 5 mejores conjuntos de datos de visión por ordenador en 2025#

Los avances en inteligencia artificial de visión dependen de conjuntos de datos diversos y a gran escala que impulsan la innovación y permiten lograr avances importantes. Veamos algunos de los conjuntos de datos más importantes, compatibles con Ultralytics, que están influyendo en los modelos de visión por ordenador.

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 conjunto de datos de gran tamaño con más de 14 millones de imágenes etiquetadas. Se utiliza ampliamente para entrenar sistemas que reconocen y clasifican distintos objetos. Su diseño estructurado 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 ventajas 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 generalización del modelo.
• Organización estructurada: Las imágenes se clasifican meticulosamente mediante la jerarquía de WordNet, lo que facilita la recuperación eficiente de datos y el entrenamiento sistemático de modelos.
• Documentación exhaustiva: La amplia investigación y los años de estudio hacen que ImageNet sea accesible tanto para principiantes como para expertos, y proporcionan información y orientación valiosas para proyectos de visión por ordenador.

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

• Necesidades computacionales: Su enorme tamaño puede plantear dificultades a equipos pequeños con recursos informáticos limitados.
• Falta de datos temporales: Como solo contiene imágenes estáticas, puede no satisfacer las necesidades de aplicaciones que requieren datos de vídeo o basados en el tiempo.
• Imágenes desactualizadas: Algunas imágenes del conjunto de datos son antiguas y pueden no reflejar los objetos, estilos o entornos actuales, lo que podría reducir su relevancia para 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 amplia colección de imágenes aéreas creada específicamente para la detección de objetos con cajas delimitadoras orientadas (OBB). En la detección OBB, se utilizan cajas delimitadoras rotadas para alinearse con mayor precisión con la orientación real de los objetos en la imagen. Este método funciona especialmente bien con imágenes aéreas, donde los objetos suelen aparecer en distintos ángulos, lo que permite una localización más precisa y una detección general mejor.

Este conjunto de datos consta de más de 11 000 imágenes y más de 1,7 millones de cajas delimitadoras orientadas distribuidas en 18 categorías de objetos. Las imágenes tienen tamaños de 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 diferentes, como vehículos, puertos y depósitos de almacenamiento, lo que expone a los modelos a diversos 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 tanto a pequeña como a gran escala.

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

• Pasos de descarga adicionales: Debido a la forma en que se mantiene el conjunto de datos DOTA, DOTA-v2.0 requiere un paso de configuración adicional. 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 durante el entrenamiento del modelo.
• Alcance limitado: DOTA-v2 está diseñado para imágenes aéreas, lo que lo hace menos útil para tareas generales de detección de objetos fuera de 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 diferentes 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 dominios: Incluye conjuntos de datos de siete ámbitos, como la obtención de imágenes médicas, las vistas aéreas y la exploración submarina.
• Fomenta la mejora de los modelos: La variabilidad y los retos específicos de cada dominio de RF100 revelan carencias en los modelos actuales, impulsando la investigación hacia soluciones de detección de objetos más adaptables y robustas.
• Formato de imagen coherente: Todas las imágenes se redimensionan a 640x640 píxeles. Esto ayuda a los usuarios a 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 del mundo real, por lo que sus resultados pueden no trasladarse completamente a escenarios de implementación práctica.
• Variabilidad de las anotaciones: Como RF100 agrega conjuntos de datos obtenidos mediante colaboración abierta, puede haber incoherencias en la calidad de las anotaciones y 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 por ordenador más utilizados, con más de 330 000 imágenes y 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, incluidas las cajas delimitadoras y las 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 otros complejos. Se ha convertido en un estándar en el campo de la inteligencia artificial de visión y se utiliza con frecuencia en retos y competiciones para evaluar el rendimiento de los modelos.

Entre sus ventajas se incluyen:

• Datos diversos y realistas: El conjunto de datos incluye imágenes de situaciones del mundo real con múltiples objetos, oclusiones y condiciones de iluminación variadas.
• Gran adopción por parte de la comunidad y la investigación: Al utilizarse en importantes competiciones de aprendizaje automático y trabajos de investigación, el conjunto de datos COCO cuenta con documentación extensa, modelos preentrenados y el apoyo activo de la comunidad.
• Anotaciones detalladas y abundantes: El conjunto de datos COCO proporciona anotaciones muy detalladas, como segmentación de objetos, puntos clave y descripciones, por lo que resulta ideal para proyectos que requieren una comprensión visual precisa.

También debes tener en cuenta algunos factores limitantes:

• Elevados requisitos computacionales: Debido a su tamaño y complejidad, entrenar modelos con COCO puede requerir recursos computacionales importantes, lo que supone un reto para los equipos con hardware limitado.
• Desequilibrio de los datos: Algunas categorías de objetos tienen muchas más imágenes que otras, lo que puede provocar sesgos en el entrenamiento del modelo.
• Estructura de anotaciones compleja: Las anotaciones detalladas del conjunto de datos, aunque son valiosas, pueden resultar abrumadoras para principiantes o equipos pequeños sin experiencia trabajando con conjuntos de datos estructurados de inteligencia artificial de visión.

Conjunto de datos Open Images V7#

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

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 proporciona numerosos recursos y ejemplos de los que los usuarios pueden aprender. Sin embargo, su enorme tamaño puede hacer que la descarga y el procesamiento lleven mucho tiempo, especialmente para equipos pequeños. Otro problema es que algunas anotaciones pueden ser incoherentes, lo que requiere un esfuerzo adicional para limpiar los datos, y la integración no siempre es fluida, por lo que puede ser necesaria una preparación adicional.

Elegir el conjunto de datos adecuado#

Elegir el conjunto de datos adecuado es una parte importante para preparar tu proyecto de visión por ordenador para el éxito. La mejor opción depende de tu tarea específica: encontrar una buena combinación ayuda a tu modelo a aprender las capacidades adecuadas. También debe integrarse fácilmente con tus herramientas, para que puedas centrarte más en crear tu modelo y menos en solucionar 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 por ordenador, ya que ayudan a los sistemas a aprender a interpretar imágenes con precisión. Los conjuntos de datos diversos y bien anotados son especialmente importantes, pues 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 y trabajo con conjuntos de datos de visión por ordenador, facilitando la búsqueda de los datos adecuados para tu proyecto. Elegir el conjunto de datos correcto es un paso crucial para crear un modelo de alto rendimiento, lo que da lugar a resultados más precisos y efectivos.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información sobre la inteligencia artificial. Descubre avances como la visión por ordenador aplicada a la sanidad y la inteligencia artificial en los coches autónomos en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y da hoy el primer paso para empezar con la visión por ordenador.