Image Recognition

El reconocimiento de imágenes es el término general para el software que identifica qué contiene una imagen: objetos, personas, lugares, texto o acciones. En el uso cotidiano es sinónimo de clasificación de imágenes, que asigna una etiqueta como «golden retriever» o «neumonía» a una imagen completa. En investigación, el «reconocimiento visual» abarca la familia más amplia de tareas que identifican el contenido de una imagen, como en el ImageNet Large Scale Visual Recognition Challenge, celebrado entre 2010 y 2017 con pruebas de clasificación, localización y detección de objetos.

Cómo funciona el reconocimiento de imágenes#

Un modelo de reconocimiento convierte los píxeles en una descripción compacta y después la compara con lo que conoce. 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, y las agrupa en un vector de características o incrustación. El siguiente paso depende de cómo se defina el conjunto de respuestas posibles:

Un cabezal clasificador entrenado mediante aprendizaje supervisado con imágenes etiquetadas, como las 1,28 millones de imágenes de entrenamiento de las 1.000 clases de ImageNet, elige la clase más probable entre sus clases predefinidas. El reconocimiento facial y de productos compara la incrustación con una galería de ejemplos almacenados, por lo que pueden añadirse nuevas personas o productos sin volver a entrenar. Los modelos de disparo cero, como CLIP de OpenAI, incrustan imágenes y texto en el mismo espacio y reconocen cualquier categoría que pueda describirse con una instrucción de texto.

Antes del aprendizaje profundo, los sistemas de reconocimiento proporcionaban a clasificadores como las máquinas de vectores de soporte características diseñadas manualmente, como los puntos clave SIFT y los histogramas de gradientes orientados. En 2012, AlexNet redujo la tasa de error top-5 de ImageNet al 15,3 %, frente al 26,2 % del segundo clasificado, y desde entonces han predominado las características aprendidas.

Formas de reconocimiento de imágenes#

• Clasificación de imágenes: Una etiqueta, o varias en la clasificación multietiqueta, para toda la imagen.
• Detección de objetos: Una etiqueta y un cuadro delimitador para cada objeto, de modo que una foto con tres perros produce tres resultados.
• Reconocimiento facial: Identifica o verifica a una persona concreta comparando una incrustación facial con las caras registradas.
• Reconocimiento óptico de caracteres (OCR): Lee texto impreso o manuscrito en una imagen y lo convierte en caracteres legibles por máquinas.
• Reconocimiento de acciones: Identifica qué hacen las personas a lo largo de los fotogramas de un vídeo.

YOLO26 admite las dos primeras formas: sus modelos -cls asignan una de las 1.000 clases de ImageNet a una imagen completa, y sus modelos de detección asignan un nombre y una ubicación a cada objeto. Este ejemplo ejecuta ambos modelos en la misma foto:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"

# Reconocimiento a nivel de imagen: una etiqueta para toda la imagen
classifier = YOLO("yolo26n-cls.pt")
results = classifier(image)
result = results[0]
print("Image label:", result.names[result.probs.top1])

# Reconocimiento a nivel de objeto: una etiqueta para cada objeto detectado
detector = YOLO("yolo26n.pt")
results = detector(image)
result = results[0]
print("Objects:", [result.names[int(c)] for c in result.boxes.cls])

El clasificador devuelve una única etiqueta de ImageNet para toda la foto, y el detector devuelve una etiqueta de COCO por cada objeto que encuentra.

Aplicaciones en el mundo real#

• Análisis de imágenes médicas: Los modelos clasifican radiografías de tórax, fotos de la piel y escáneres de retina como normales o anómalos para que el personal clínico revise primero los casos urgentes.
• Comercio minorista: El reconocimiento de productos relaciona los artículos de las estanterías o de la caja con un catálogo de imágenes de productos, incluidos los añadidos después del entrenamiento del modelo.
• Fabricación: Las cámaras de la línea detectan piezas defectuosas y componentes incorrectos o ausentes antes del empaquetado.
• Accesibilidad: Los lectores de pantalla y las aplicaciones móviles describen fotos y leen señales en voz alta para las personas ciegas o con baja visión.

Reconocimiento más allá de las etiquetas predefinidas#

Los clasificadores de etiquetas predefinidas solo reconocen las clases con las que se han entrenado, y para añadir una clase hay que recopilar imágenes etiquetadas y volver a entrenar. Los modelos entrenados con pares de imagen y texto eliminan esa limitación, y los modelos de visión y lenguaje amplían sus posibilidades para describir escenas y responder preguntas sobre ellas. CLIP, entrenado con 400 millones de pares de imagen y texto de Internet, igualó sin entrenamiento específico la precisión de ImageNet de la ResNet-50 original, sin utilizar ninguna de las 1,28 millones de imágenes etiquetadas con las que se había entrenado ResNet-50.