La guía definitiva sobre el aumento de datos en 2025

Con el auge de la IA, cada vez aparecen más noticias sobre fenómenos como los robots que trabajan en fábricas y los coches autónomos que circulan por las calles. La IA está cambiando la forma en que las máquinas interactúan con el mundo: desde mejorar las imágenes médicas hasta ayudar en el control de calidad de las líneas de producción.

Gran parte de este progreso se debe a la visión artificial, una rama de la IA que permite a las máquinas comprender e interpretar imágenes. Al igual que las personas aprenden a reconocer objetos y patrones con el tiempo, los modelos de IA visual como Ultralytics YOLO11 deben entrenarse con grandes cantidades de datos de imágenes para desarrollar su comprensión visual.

Sin embargo, no siempre es fácil recopilar una cantidad tan ingente de datos visuales. Aunque la comunidad de visión artificial ha creado muchos conjuntos de datos grandes, aún pueden carecer de ciertas variaciones, como imágenes de objetos con poca luz, elementos parcialmente ocultos o cosas vistas desde distintos ángulos. Estas diferencias pueden confundir a los modelos de visión artificial que solo se han entrenado en condiciones específicas.

El aumento de datos de imágenes es una técnica que resuelve este problema al introducir nuevas variaciones en los datos existentes. Al modificar las imágenes, por ejemplo, ajustando los colores, girándolas o cambiando la perspectiva, se consigue que el conjunto de datos sea más diverso y que los modelos de IA visual reconozcan mejor los objetos en situaciones reales.

En este artículo veremos cómo funciona el aumento de datos de imágenes y qué impacto puede tener en las aplicaciones de visión artificial.

¿Qué es el aumento de datos de imágenes?#

Imagina que intentas reconocer a un amigo entre una multitud, pero lleva gafas de sol o está en una zona con sombra. Aunque su aspecto haya cambiado un poco, sigues sabiendo quién es. En cambio, un modelo de IA visual podría tener problemas con esas variaciones si no se ha entrenado para reconocer objetos en distintos entornos.

El aumento de datos de imágenes mejora el rendimiento de los modelos de visión artificial al añadir versiones modificadas de las imágenes existentes a los datos de entrenamiento, en lugar de recopilar miles de imágenes nuevas.

Las modificaciones de las imágenes, como voltearlas, girarlas, ajustar el brillo o añadir pequeñas distorsiones, exponen los modelos de IA visual a una gama más amplia de condiciones. En lugar de depender de conjuntos de datos enormes, los modelos pueden aprender de forma eficiente con conjuntos de datos de entrenamiento más pequeños que incluyan imágenes aumentadas.

Fig. 1. Ejemplos de imágenes aumentadas de un coche.

La importancia del aumento de datos en la visión artificial#

Estas son algunas de las razones clave por las que el aumento de datos es esencial para la visión artificial:

• Reduce los requisitos de datos: Recopilar grandes conjuntos de datos de imágenes requiere tiempo y recursos. El aumento de datos permite entrenar modelos de forma eficaz sin necesitar conjuntos de datos enormes.
• Evita el sobreajuste: Un modelo entrenado con muy pocos ejemplos puede memorizar detalles en vez de reconocer patrones generales. Añadir variedad mediante el aumento de datos garantiza que los modelos de IA visual aprendan de forma que puedan aplicar lo aprendido a datos nuevos y no vistos.
• Imita las imperfecciones de las imágenes: Las imágenes de los conjuntos de datos suelen ser demasiado perfectas, pero las fotos reales pueden estar borrosas, obstruidas o distorsionadas. Añadir ruido, oclusiones u otras variaciones a las imágenes las hace más realistas.
• Mejora la robustez del modelo: Entrenar con imágenes variadas ayuda a la IA a adaptarse a los cambios del mundo real y la hace más fiable en distintos entornos, condiciones de iluminación y situaciones.

¿Cuándo debes utilizar el aumento de datos de imágenes?#

El aumento de datos de imágenes resulta especialmente útil cuando un modelo de visión artificial debe reconocer objetos en distintas situaciones, pero no dispone de suficientes imágenes variadas.

Por ejemplo, si los investigadores entrenan un modelo de IA visual para identificar especies submarinas poco comunes que rara vez se fotografían, el conjunto de datos puede ser pequeño o carecer de variedad. Al aumentar las imágenes, por ejemplo, ajustando los colores para simular distintas profundidades del agua, añadiendo ruido para imitar condiciones turbias o modificando ligeramente las formas para tener en cuenta el movimiento natural, el modelo puede detectar objetos submarinos con mayor precisión.

Estas son otras situaciones en las que el aumento de datos puede marcar una gran diferencia:

• Equilibrar el conjunto de datos: Algunos objetos pueden aparecer con menos frecuencia en los datos de entrenamiento, lo que puede sesgar los modelos de IA visual. El aumento de datos ayuda a crear más ejemplos de objetos poco comunes para que el modelo reconozca todas las categorías de forma equitativa.
• Adaptarse a distintas cámaras: Las imágenes pueden verse diferentes según el dispositivo. El aumento de datos ayuda a los modelos de IA visual a funcionar bien con fotos de distintas resoluciones, condiciones de iluminación y calidades.
• Corregir pequeños errores de etiquetado: Los ligeros desplazamientos, recortes o giros ayudan a los modelos de visión artificial a reconocer los objetos correctamente, aunque las etiquetas originales no estén perfectamente alineadas.

Cómo funciona el aumento de datos de imágenes#

En los primeros tiempos de la visión artificial, el aumento de datos de imágenes consistía principalmente en técnicas básicas de procesamiento de imágenes, como voltear, girar y recortar, para aumentar la diversidad del conjunto de datos. A medida que la IA mejoró, se introdujeron métodos más avanzados, como ajustar los colores (transformaciones del espacio de color), enfocar o desenfocar las imágenes (filtros de kernel) y combinar varias imágenes (mezcla de imágenes) para mejorar el aprendizaje.

El aumento de datos puede realizarse antes y durante el entrenamiento del modelo. Antes del entrenamiento, se pueden añadir imágenes modificadas al conjunto de datos para aportar más variedad. Durante el entrenamiento, las imágenes se pueden modificar aleatoriamente en tiempo real, lo que ayuda a los modelos de IA visual a adaptarse a distintas condiciones. Por ejemplo, los modelos Ultralytics YOLO aplican aumentos aleatorios sobre la marcha durante el entrenamiento, y cada uno se puede ajustar con los argumentos de entrenamiento.

Estos cambios se realizan mediante transformaciones matemáticas. Por ejemplo, la rotación inclina una imagen, el recorte elimina partes para imitar distintas perspectivas y los cambios de brillo simulan variaciones de iluminación. El desenfoque suaviza las imágenes, el enfoque hace que los detalles sean más nítidos y la mezcla combina partes de imágenes distintas. Los marcos de trabajo de IA visual y herramientas como OpenCV, TensorFlow y PyTorch, junto con bibliotecas de aumento de datos como Albumentations, pueden automatizar estos procesos y hacer que el aumento sea rápido y eficaz.

Técnicas clave de aumento de datos de imágenes#

Ahora que hemos explicado qué es el aumento de datos de imágenes, veamos con más detalle algunas técnicas fundamentales que se utilizan para mejorar los datos de entrenamiento.

Ajustar la orientación y la posición#

Los modelos de visión artificial, como YOLO11, suelen tener que reconocer objetos desde distintos ángulos y perspectivas. Para ayudarles, se pueden voltear las imágenes horizontal o verticalmente, de modo que el modelo de IA aprenda a reconocer objetos desde distintas perspectivas.

Del mismo modo, girar ligeramente las imágenes cambia su ángulo y permite que el modelo identifique objetos desde varias perspectivas. Además, desplazar las imágenes en distintas direcciones (traslación) ayuda a los modelos a adaptarse a pequeños cambios de posición. Estas transformaciones permiten que los modelos generalicen mejor ante las condiciones del mundo real, en las que la ubicación de los objetos en una imagen es impredecible.

Fig. 2. Diferentes métodos de aumento relacionados con la orientación y la posición.

Cambio de tamaño y recorte#

En las soluciones de visión artificial del mundo real, los objetos de las imágenes pueden aparecer a distintas distancias y con tamaños diferentes. Los modelos de IA visual deben ser lo bastante robustos como para detectarlos pese a esas diferencias.

Para mejorar la adaptabilidad, se pueden utilizar los siguientes métodos de aumento de datos:

• Escalado: El cambio de tamaño modifica las dimensiones de la imagen y mantiene sus proporciones, lo que permite a los modelos de IA detectar objetos a distintas distancias.
• Recorte: Elimina las partes innecesarias de una imagen, ayuda al modelo a centrarse en las áreas clave y reduce las distracciones del fondo.
• Cizallamiento: Inclinar ligeramente una imagen simula un aspecto inclinado o estirado, lo que ayuda a la IA a reconocer objetos desde distintos ángulos.

Estos ajustes ayudan a los modelos de visión artificial a reconocer objetos aunque su tamaño o forma cambien ligeramente.

Ajustes de perspectiva y distorsión#

Los objetos de las imágenes pueden presentar un aspecto distinto según el ángulo de la cámara, lo que dificulta su reconocimiento por parte de los modelos de visión artificial. Para ayudar a los modelos a gestionar estas variaciones, las técnicas de aumento de datos pueden modificar la forma en que se muestran los objetos en las imágenes.

Por ejemplo, las transformaciones de perspectiva pueden cambiar el ángulo de visión y hacer que un objeto parezca visto desde otra posición. Esto permite a los modelos de IA visual reconocer objetos incluso cuando están inclinados o se han capturado desde un punto de vista inusual.

Otro ejemplo es la transformación elástica, que estira, dobla o deforma las imágenes para simular distorsiones naturales, de modo que los objetos parezcan como se verían en reflejos o bajo presión.

Modificaciones del color y la iluminación#

Las condiciones de iluminación y las diferencias de color pueden influir significativamente en la forma en que los modelos de IA visual interpretan las imágenes. Como los objetos pueden presentar un aspecto distinto con diferentes condiciones de iluminación, las siguientes técnicas de aumento de datos pueden ayudar a gestionar estas situaciones:

• Ajustes de brillo y contraste: Simular distintas condiciones de iluminación ayuda a los modelos de IA visual a reconocer objetos tanto en entornos luminosos como oscuros.
• Variación aleatoria del color: Cambiar aleatoriamente el tono, la saturación y el equilibrio de color hace que los modelos de visión artificial se adapten mejor a distintas cámaras y condiciones de iluminación.
• Conversión a escala de grises: Convertir las imágenes a blanco y negro anima a los modelos de IA visual a centrarse en las formas y las texturas, en lugar de en el color.

Fig. 3 Ejemplos de aumentos relacionados con variaciones de color.

Técnicas avanzadas de aumento de datos de imagen#

Hasta ahora, solo hemos explorado técnicas de aumento de datos que modifican una sola imagen. Sin embargo, algunos métodos avanzados combinan varias imágenes para mejorar el aprendizaje de la IA.

Por ejemplo, MixUp mezcla dos imágenes para ayudar a los modelos de visión artificial a comprender las relaciones entre objetos y mejorar su capacidad de generalización en distintos escenarios. CutMix va un paso más allá al sustituir una sección de una imagen por una parte de otra, lo que permite a los modelos aprender de varios contextos dentro de una misma imagen. CutOut, en cambio, funciona de otra manera: elimina partes aleatorias de una imagen para entrenar a los modelos de IA visual a reconocer objetos aunque estén parcialmente ocultos u obstruidos.

Fig. 4 Técnicas avanzadas de aumento de datos de imagen.

El papel de la IA generativa en el aumento de datos de imagen#

La IA generativa está ganando terreno en muchos sectores y aplicaciones cotidianas. Es probable que ya la hayas visto en imágenes generadas por IA, vídeos deepfake o aplicaciones que crean avatares realistas. Pero, además de sus usos creativos y de entretenimiento, la IA generativa puede ser útil para entrenar modelos de IA visual mediante la generación de imágenes nuevas a partir de las existentes.

En lugar de limitarse a voltear o girar imágenes, puede crear variaciones realistas: cambiar expresiones faciales o estilos de ropa, e incluso simular diferentes condiciones meteorológicas. Estas variaciones ayudan a que los modelos de visión artificial se adapten mejor y sean más precisos en diversos escenarios del mundo real. Los modelos avanzados de IA generativa, como las GAN (redes generativas antagónicas) y los modelos de difusión, también pueden completar detalles que faltan o crear imágenes sintéticas de alta calidad.

Limitaciones del aumento de datos de imagen#

Aunque el aumento de datos mejora los conjuntos de datos de entrenamiento, también hay algunas limitaciones que conviene tener en cuenta. Estos son algunos de los principales desafíos relacionados con el aumento de datos de imagen:

• Diversidad de datos limitada: Las imágenes aumentadas se generan a partir de datos existentes y no pueden introducir patrones completamente nuevos ni perspectivas poco frecuentes.
• Posible distorsión de los datos: Las transformaciones excesivas pueden hacer que las imágenes parezcan irreales y reducir potencialmente la precisión del modelo en situaciones del mundo real.
• Mayor carga computacional: El aumento de datos en tiempo real durante el entrenamiento del modelo puede requerir bastante potencia de procesamiento, ralentizar el entrenamiento y aumentar el uso de memoria.
• El desequilibrio entre clases persiste: El aumento de datos no crea muestras completamente nuevas, por lo que las categorías infrarrepresentadas pueden seguir provocando un aprendizaje sesgado.

Una aplicación real del aumento de datos de imagen#

Una aplicación interesante del aumento de datos de imagen son los coches autónomos, donde las decisiones que los modelos de visión artificial como Ultralytics YOLO11 toman en fracciones de segundo son cruciales. El modelo debe detectar con precisión carreteras, personas y otros objetos.

Sin embargo, las condiciones del mundo real a las que se enfrenta un vehículo autónomo pueden ser impredecibles. El mal tiempo, el desenfoque por movimiento y las señales ocultas pueden complicar las soluciones de IA visual en este sector. A menudo, no basta con entrenar modelos de visión artificial únicamente con imágenes del mundo real. Los conjuntos de datos de imágenes para los modelos de coches autónomos deben ser diversos para que el modelo aprenda a gestionar situaciones imprevistas.

El aumento de datos de imagen resuelve este problema simulando niebla, ajustando el brillo y distorsionando las formas. Estos cambios ayudan a los modelos a reconocer objetos en distintas condiciones. Como resultado, los modelos son más inteligentes y fiables.

Con el aumento de datos durante el entrenamiento, las soluciones de IA visual para coches autónomos se adaptan mejor y toman decisiones más seguras. Unos resultados más precisos se traducen en menos accidentes y una navegación mejorada.

Fig. 5 Ejemplo de aumento de datos de imagen aplicado a coches autónomos.

Los coches autónomos son solo un ejemplo. De hecho, el aumento de datos de imagen es fundamental en muchos sectores, desde el diagnóstico por imagen hasta la analítica del comercio minorista. Cualquier aplicación que dependa de la visión artificial puede beneficiarse potencialmente del aumento de datos de imagen.

Conclusiones clave#

Los sistemas de IA visual deben reconocer objetos en distintas condiciones, pero puede resultar difícil recopilar infinidad de imágenes del mundo real para el entrenamiento. El aumento de datos de imagen resuelve este problema creando variaciones de imágenes existentes, lo que ayuda a los modelos a aprender más rápido y a rendir mejor en situaciones reales. Mejora la precisión y garantiza que los modelos de IA visual como Ultralytics YOLO11 puedan gestionar distintas condiciones de iluminación, ángulos y entornos.

Para las empresas y los desarrolladores, el aumento de datos de imágenes ahorra tiempo y esfuerzo y hace que los modelos de visión artificial sean más fiables. Muchos sectores, desde la sanidad hasta los vehículos autónomos, dependen de él. A medida que la IA visual siga evolucionando, el aumento de datos continuará siendo esencial para crear modelos más inteligentes y adaptables de cara al futuro.

Únete a nuestra comunidad y visita nuestro repositorio de GitHub para ver la IA en acción. Explora nuestras opciones de licencia y descubre más sobre la IA en la agricultura y la visión artificial en la fabricación en nuestras páginas de soluciones.