Licencia YOLO
Volver al glosario de Ultralytics

Affine Transformation

La transformación afín mapea las coordenadas de la imagen mediante rotación, escalado, cizallamiento y traslación, y sirve para el aumento de datos, la alineación y el preprocesamiento.

Una transformación afín es un mapeo de coordenadas que combina una transformación lineal con una traslación. En las imágenes, puede rotar, cambiar el tamaño, reflejar, cizallar o desplazar la cuadrícula de píxeles sin alterar la estructura de las líneas rectas. Transformación afín y aplicación afín son sinónimos. En visión artificial, estos mapeos sirven para la alineación, el preprocesamiento de datos y el aumento de datos.

Leonhard Euler introdujo el término afín para curvas relacionadas en 1748, en el capítulo XVIII de Introductio in analysin infinitorum, volumen 2.

Qué conservan las transformaciones afines#

Una transformación afín invertible conserva las líneas rectas, el paralelismo y las proporciones entre distancias a lo largo de una línea. Un punto medio sigue siendo un punto medio. Las longitudes y los ángulos pueden cambiar: el cizallamiento y el escalado desigual pueden convertir un rectángulo en un paralelogramo o un círculo en una elipse.

Las transformaciones rígidas conservan las distancias y los ángulos; las transformaciones de semejanza también permiten un escalado uniforme. Las transformaciones afines permiten además el escalado desigual y el cizallamiento. Una homografía incluye efectos de perspectiva, como los bordes paralelos de una carretera que convergen hacia un punto de fuga. Un mapeo afín conserva el paralelismo y permite ajustar los cambios globales de inclinación y escala.

Cómo funciona la matriz afín#

Una matriz afín bidimensional tiene seis parámetros, que suelen almacenarse en una matriz de 2 x 3. Cuatro controlan la parte lineal y dos especifican la traslación horizontal y vertical. Tres pares de puntos determinan la matriz: los tres puntos de origen no deben ser colineales, sino formar un triángulo. En OpenCV, cv2.getAffineTransform estima la matriz a partir de estas correspondencias.

Añadir una tercera coordenada constante de 1, denominada coordenada homogénea, incorpora la traslación a la multiplicación de matrices. La matriz resultante de 3 x 3 tiene una última fila de 0, 0, 1. Las transformaciones múltiples se combinan mediante la multiplicación de matrices; rotar y luego desplazar suele dar un resultado distinto de desplazar y luego rotar.

Una transformación afín es lineal si y solo si su traslación es cero. En una red neuronal, una capa totalmente conectada combina pesos aprendidos con un término de sesgo. La capa Linear de PyTorch aplica un mapeo afín de forma predeterminada, normalmente seguido de una función de activación no lineal.

Usos en visión y entrenamiento de modelos#

El entrenamiento de detección y segmentación de Ultralytics YOLO26 admite el aumento geométrico mediante degrees, translate, scale y shear, actualizando las imágenes y las anotaciones a la vez. Con perspective=0.0, el mapeo es afín; la rotación y el cizallamiento están desactivados de forma predeterminada.

Aplicar una transformación afín en Python#

Con pip install opencv-python numpy, este ejemplo utiliza OpenCV para rotar y reducir una imagen alrededor de su centro:

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_COLOR)
height, width = image.shape[:2]

# La rotación alrededor del centro también requiere traslación.
center = (width / 2, height / 2)
matrix = cv2.getRotationMatrix2D(center, angle=20, scale=0.8)
warped = cv2.warpAffine(image, matrix, (width, height))
cv2.imwrite("affine_result.jpg", warped)

La imagen guardada muestra una rotación de 20 grados y un escalado al 80 % de las dimensiones originales dentro de un lienzo de salida sin cambios.

Errores de remuestreo y anotación#

La deformación remuestrea una cuadrícula de píxeles discreta. La interpolación bilineal combina los píxeles vecinos; la interpolación por vecino más cercano selecciona un valor existente. La rotación deja al descubierto zonas de los bordes sin píxeles de origen, y un lienzo fijo recorta el contenido que queda fuera de sus límites. El remuestreo bilineal repetido suaviza los detalles finos, incluso cuando el mapeo de coordenadas es invertible.

En la visión supervisada, las imágenes y las anotaciones comparten el mismo mapeo. Si las etiquetas no se actualizan, los objetos quedan en ubicaciones incorrectas. Para transformar las cajas delimitadoras, hay que transformar las cuatro esquinas antes de calcular un rectángulo envolvente alineado con los ejes, que puede incluir más fondo tras la rotación. Los puntos clave que quedan fuera del lienzo requieren actualizar su visibilidad. Las máscaras categóricas de segmentación utilizan interpolación por vecino más cercano para conservar los identificadores de clase discretos.

Explora las soluciones

Visión artificial en el deporte

Visión artificial en el deporte

Descubre cómo Ultralytics YOLO impulsa la visión artificial en el deporte con el seguimiento de jugadores y balones, analíticas de rendimiento, información útil para entrenadores y rehabilitación de deportistas.
Más información
Visión artificial para imágenes aéreas

Visión artificial para imágenes aéreas

Convierte imágenes aéreas y de drones en información útil en tiempo real para la agricultura, la acuicultura, la conservación y el análisis geoespacial con Ultralytics YOLO.
Más información
Visión artificial en el sector aeroespacial

Visión artificial en el sector aeroespacial

Aplica la visión artificial en el sector aeroespacial con Ultralytics YOLO para inspeccionar aeronaves, detectar objetos extraños en pistas, gestionar operaciones en tierra y detectar defectos en materiales compuestos.
Más información
Visión artificial en seguridad

Visión artificial en seguridad

Protege todas tus instalaciones con los modelos Ultralytics YOLO. La IA visual permite supervisar perímetros, detectar amenazas, reconocer matrículas y mejorar la seguridad laboral.
Más información
Visión artificial en robótica

Visión artificial en robótica

Potencia máquinas más inteligentes con los modelos Ultralytics YOLO. La IA visual en robótica impulsa la navegación autónoma, la percepción, el seguimiento de objetos y el control en tiempo real.
Más información
Visión artificial en logística

Visión artificial en logística

Agiliza la logística con modelos Ultralytics YOLO. La IA visual permite inspeccionar paquetes, clasificarlos, realizar el seguimiento de vehículos y supervisar la seguridad del almacén en tiempo real.
Más información
Visión artificial en el comercio minorista

Visión artificial en el comercio minorista

Reinventa el comercio minorista con modelos Ultralytics YOLO. La IA visual permite realizar el seguimiento del inventario, supervisar estanterías, gestionar colas y obtener información más útil sobre los clientes.
Más información
Visión artificial en el sector sanitario

Visión artificial en el sector sanitario

Desarrolla soluciones sanitarias con modelos Ultralytics YOLO. La IA visual en el sector sanitario permite acelerar el diagnóstico por imagen, mejorar los diagnósticos y supervisar a los pacientes.
Más información
Visión artificial en la fabricación

Visión artificial en la fabricación

Optimiza la fabricación con modelos Ultralytics YOLO. La IA visual mejora el control de calidad, la detección de defectos, el cumplimiento de las normas de uso de EPI y la automatización de las líneas de montaje.
Más información
Visión artificial en la automoción

Visión artificial en la automoción

Aplica la visión artificial al sector de la automoción con modelos Ultralytics YOLO. La IA visual mejora la seguridad vial, la asistencia al conductor y la automatización de vehículos para lograr carreteras más inteligentes.
Más información
Visión artificial en la agricultura

Visión artificial en la agricultura

Incorpora la IA de visión a la agricultura inteligente con modelos Ultralytics YOLO. Impulsa la monitorización de cultivos, el seguimiento del ganado y la agricultura de precisión para obtener cosechas más abundantes e inteligentes.
Más información

¡Construyamos juntos el futuro de la IA!

Inicia tu recorrido hacia el futuro del aprendizaje automático