Capsule Networks (CapsNet)

Las redes de cápsulas, a menudo abreviadas como CapsNets, representan una arquitectura avanzada en el campo del aprendizaje profundo, diseñada para superar ciertas limitaciones de las redes neuronales tradicionales. Introducidas por Geoffrey Hinton y su equipo, las CapsNets intentan imitar la organización neuronal biológica del cerebro humano de forma más fiel que los modelos estándar. A diferencia de una red neuronal convolucional (CNN) típica, que destaca en la detección de características, pero a menudo pierde las relaciones espaciales debido al submuestreo, una red de cápsulas organiza las neuronas en grupos llamados «cápsulas». Estas cápsulas codifican no solo la probabilidad de que un objeto esté presente, sino también sus propiedades específicas, como la orientación, el tamaño y la textura, preservando eficazmente las relaciones espaciales jerárquicas de los datos visuales.

La limitación de las CNN tradicionales#

Para entender la innovación de las CapsNets, resulta útil observar cómo funcionan los modelos estándar de visión artificial. Una CNN convencional utiliza capas de extracción de características seguidas de capas de agrupación —concretamente, agrupación máxima— para reducir la carga computacional y lograr invariancia a la traslación. Esto significa que una CNN puede identificar un «gato» independientemente de dónde se encuentre en la imagen.

Sin embargo, este proceso suele descartar datos precisos sobre la ubicación, lo que da lugar al «problema de Picasso»: una CNN podría clasificar correctamente un rostro aunque la boca estuviera en la frente, simplemente porque están presentes todas las características necesarias. Las CapsNets abordan este problema eliminando las capas de agrupación y sustituyéndolas por un proceso que respeta las jerarquías espaciales de los objetos.

Cómo funcionan las redes de cápsulas#

El componente básico de esta arquitectura es la cápsula, un conjunto anidado de neuronas que produce un vector en lugar de un valor escalar. En las matemáticas vectoriales, un vector tiene tanto magnitud como dirección. En una CapsNet:

• Magnitud (longitud): representa la probabilidad de que exista una entidad específica en la entrada actual.
• Dirección (orientación): codifica los parámetros de instanciación, como la estimación de la pose del objeto, la escala y la rotación.

Las cápsulas de las capas inferiores (que detectan formas simples, como bordes) predicen la salida de las cápsulas de las capas superiores (que detectan objetos complejos, como ojos o neumáticos). Esta comunicación se gestiona mediante un algoritmo llamado «enrutamiento dinámico» o «enrutamiento por acuerdo». Si la predicción de una cápsula de nivel inferior coincide con el estado de la cápsula de nivel superior, la conexión entre ambas se refuerza. Esto permite a la red reconocer objetos desde distintos puntos de vista 3D sin necesitar la enorme cantidad de aumento de datos que normalmente hace falta para enseñar a las CNN a reconocer la rotación y la escala.

Diferencias clave: CapsNets frente a CNNs#

Aunque ambas arquitecturas son fundamentales para la visión artificial (CV), difieren en cómo procesan y representan los datos visuales:

• Escalar frente a vector: las neuronas de las CNN utilizan salidas escalares para indicar la presencia de características. Las CapsNets utilizan vectores para codificar la presencia (longitud) y los parámetros de pose (orientación).
• Enrutamiento frente a agrupación: las CNN utilizan la agrupación para reducir la resolución de los datos, lo que a menudo provoca la pérdida de detalles sobre la ubicación. Las CapsNets utilizan el enrutamiento dinámico para conservar los datos espaciales, por lo que resultan muy eficaces en tareas que requieren un seguimiento de objetos preciso.
• Eficiencia de los datos: como las cápsulas comprenden implícitamente los puntos de vista 3D y las transformaciones afines, a menudo pueden generalizar a partir de menos datos de entrenamiento que las CNN, que pueden necesitar numerosos ejemplos para aprender todas las rotaciones posibles de un objeto.

Aplicaciones en el mundo real#

Aunque las CapsNets suelen ser más costosas desde el punto de vista computacional que modelos optimizados como YOLO26, ofrecen ventajas diferenciadas en dominios especializados:

1. Análisis de imágenes médicas: en el ámbito sanitario, la orientación y la forma precisas de una anomalía son fundamentales. Los investigadores han aplicado CapsNets a la segmentación de tumores cerebrales, donde el modelo debe distinguir un tumor del tejido circundante basándose en sutiles jerarquías espaciales que las CNN estándar podrían suavizar en exceso. Puedes consultar investigaciones relacionadas sobre redes de cápsulas en imágenes médicas.

2. Reconocimiento de dígitos superpuestos: las CapsNets lograron resultados de vanguardia en el conjunto de datos MNIST, específicamente en situaciones en las que los dígitos se superponen. Como la red sigue la «pose» de cada dígito, puede separar dos números superpuestos (por ejemplo, un «3» sobre un «5») como objetos distintos, en lugar de fusionarlos en un único mapa de características confuso.

Contexto práctico e implementación#

Las redes de cápsulas son principalmente una arquitectura de clasificación. Aunque ofrecen solidez teórica, las aplicaciones industriales modernas suelen dar prioridad a CNN de alta velocidad o a Transformers para obtener rendimiento en tiempo real. No obstante, resulta útil comprender los benchmarks de clasificación utilizados para las CapsNets, como MNIST.

El siguiente ejemplo muestra cómo entrenar un modelo de clasificación YOLO moderno con el conjunto de datos MNIST mediante el paquete ultralytics. Esto es paralelo a la tarea de benchmark principal utilizada para validar las redes de cápsulas.

from ultralytics import YOLO

# Load a YOLO26 classification model (optimized for speed and accuracy)
model = YOLO("yolo26n-cls.pt")

# Train the model on the MNIST dataset
# This dataset helps evaluate how well a model learns handwritten digit features
results = model.train(data="mnist", epochs=5, imgsz=32)

# Run inference on a sample image
# The model predicts the digit class (0-9)
predict = model("https://docs.ultralytics.com/datasets/classify/mnist")

El futuro de las cápsulas y la IA para visión#

Los principios en los que se basan las redes de cápsulas siguen influyendo en la investigación sobre seguridad de la IA e interpretabilidad. Al modelar explícitamente las relaciones entre las partes y el conjunto, las cápsulas ofrecen una alternativa de «caja de cristal» frente a la naturaleza de «caja negra» de las redes neuronales profundas, lo que hace que sus decisiones sean más explicables. Los desarrollos futuros buscan combinar la solidez espacial de las cápsulas con la velocidad de inferencia de arquitecturas como YOLO11 o el más reciente YOLO26 para mejorar el rendimiento en la detección de objetos 3D y la robótica. Los investigadores también están explorando las cápsulas matriciales con enrutamiento EM para reducir aún más el coste computacional del algoritmo de acuerdo.

Para los desarrolladores que buscan gestionar conjuntos de datos y entrenar modelos de forma eficiente, la Ultralytics Platform proporciona un entorno unificado para anotar datos, entrenar en la nube y desplegar modelos que equilibren la velocidad de las CNN con la precisión necesaria para tareas de visión complejas.