Image Classification

La clasificación de imágenes es una tarea de visión artificial en la que un modelo analiza una imagen completa y le asigna una etiqueta de un conjunto fijo de clases, junto con una puntuación de confianza para cada clase. Responde a la pregunta «¿qué aparece en esta imagen?»: un gato o un perro, un producto defectuoso o en buen estado, neumonía o normal. Es la más sencilla de las tareas esenciales de visión y también la base de las demás, porque las redes troncales que primero se entrenan para clasificar imágenes con grandes conjuntos de datos se reutilizan como extractores de características para la detección y la segmentación mediante aprendizaje por transferencia.

Cómo funciona la clasificación de imágenes#

Un clasificador convierte los píxeles en probabilidades de clase en tres etapas. Una red troncal, ya sea una red neuronal convolucional (CNN) o un transformador de visión (ViT), extrae características capa a capa: desde bordes y texturas en las primeras capas hasta partes de objetos y objetos completos en las más profundas. Una operación de agrupación reduce los mapas de características finales a un único vector que resume toda la imagen. A continuación, una capa totalmente conectada genera una puntuación, o logit, por clase, y la función softmax convierte esas puntuaciones en probabilidades cuya suma es 1.

Los modelos aprenden esta correspondencia mediante aprendizaje supervisado con imágenes etiquetadas, minimizando la pérdida de entropía cruzada entre las probabilidades predichas y la clase real. La clasificación de etiqueta única (multiclase) elige exactamente una clase por imagen mediante softmax. La clasificación multietiqueta, que se utiliza cuando una imagen puede mostrar varias cosas a la vez, puntúa cada clase de forma independiente con una función sigmoide y conserva todas las clases que superan un umbral.

Los modelos de clasificación Ultralytics YOLO26, identificados por el sufijo -cls, son clasificadores de etiqueta única preentrenados con ImageNet a 224×224 píxeles. El más pequeño, YOLO26n-cls, alcanza un 71,4 % de precisión top-1 con 2,8 millones de parámetros. Se entrenan con cualquier conjunto de datos organizado en una carpeta de imágenes por clase:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

Las cinco probabilidades proceden de una única operación softmax aplicada a las 1.000 clases, así que muestran el grado de confianza del modelo en su opción principal frente a clases similares.

Clasificación frente a detección y segmentación#

La clasificación describe la imagen completa, pero no dice dónde están las cosas ni cuántas hay:

• Detección de objetos: Encuentra cada objeto, lo etiqueta y lo localiza mediante un cuadro delimitador, por lo que puede contar tres coches en una foto.
• Segmentación de imágenes: Etiqueta los píxeles y traza el contorno exacto de cada objeto o región.
• Reconocimiento de imágenes: Término más amplio que engloba la identificación del contenido de las imágenes y que suele utilizarse informalmente como sinónimo de clasificación.

La elección entre estas opciones depende del nivel de detalle espacial que necesite una aplicación:

Aplicaciones en el mundo real#

• Inspección industrial: Las cámaras de una línea de producción fotografían cada pieza y un clasificador la etiqueta como apta o defectuosa, de modo que los artículos defectuosos se rechazan automáticamente.
• Triaje médico: Los modelos clasifican radiografías de tórax, fotos de lesiones cutáneas y escáneres de retina en categorías normales y anómalas para que el personal clínico revise primero los casos urgentes.
• Agricultura: Los agricultores fotografían hojas con el móvil y un clasificador identifica la enfermedad del cultivo o la carencia de nutrientes.
• Organización de contenidos: Las bibliotecas de fotos y los mercados etiquetan millones de imágenes por escena y categoría de producto para poder buscarlas y moderarlas.

Pruebas de referencia y modelos#

Los clasificadores se comparan mediante la precisión top-1, la proporción de imágenes cuya clase más probable es correcta, y la precisión top-5, la proporción en la que la clase verdadera se encuentra entre las cinco más probables. La clasificación moderna surgió del desafío de reconocimiento visual a gran escala de ImageNet, cuyo subconjunto de 1.000 clases y unos 1,28 millones de imágenes de entrenamiento sigue siendo el benchmark estándar. En 2012, AlexNet redujo la tasa de error top-5 al 15,3 %, frente al 26,2 % del segundo clasificado, e inició la era del aprendizaje profundo en visión. ResNet permitió entrenar redes de más de 100 capas en 2015, y los Vision Transformers demostraron en 2020 que los modelos basados en atención igualan o superan a las CNN cuando se preentrenan con entre 14 y 300 millones de imágenes.