Reconocimiento de imágenes

Reconocimiento de imágenes frente a tareas relacionadas

Aunque a menudo se utiliza indistintamente, el reconocimiento de imágenes es un término general que engloba varias tareas más específicas. Es importante distinguirlo de sus subcampos:

• Clasificación de imágenes: Es la forma más sencilla de reconocimiento de imágenes. Consiste en asignar una única etiqueta a toda una imagen a partir de un conjunto predefinido de categorías. Por ejemplo, un modelo puede clasificar una imagen como "gato", "perro" o "coche". El resultado es una etiqueta para toda la imagen.
• Detección de objetos: Una tarea más avanzada, la detección de objetos no sólo clasifica los objetos dentro de una imagen, sino que también los localiza, normalmente dibujando un cuadro delimitador alrededor de cada uno. Un coche autónomo, por ejemplo, utiliza la detección de objetos para identificar y localizar peatones, otros vehículos y señales de tráfico.
• Segmentación de imágenes: Esta tarea va un paso más allá al identificar los píxeles precisos que pertenecen a cada objeto de una imagen. Crea una máscara detallada para cada objeto, lo que resulta crucial para aplicaciones que requieren un conocimiento profundo de la forma y los límites de un objeto, como en el análisis de imágenes médicas.

Cómo funciona el reconocimiento de imágenes

El reconocimiento moderno de imágenes se basa principalmente en redes neuronales convolucionales (CNN), un tipo de red neuronal especialmente eficaz para procesar datos de tipo cuadriculado, como las imágenes. El proceso suele implicar:

1. Recogida de datos: Se recopila un gran conjunto de datos de imágenes etiquetadas. Algunos ejemplos famosos son ImageNet y COCO.
2. Entrenamiento del modelo: La CNN se entrena con este conjunto de datos. Durante el entrenamiento, la red aprende a identificar patrones -desde bordes y texturas simples hasta partes complejas de objetos- mediante un proceso denominado extracción de características. Los pesos del modelo se ajustan para minimizar la diferencia entre sus predicciones y las etiquetas reales.
3. Inferencia: Una vez entrenado, el modelo puede hacer predicciones sobre nuevas imágenes no vistas. Este proceso de aplicación de un modelo entrenado se denomina inferencia.

Aplicaciones reales

El reconocimiento de imágenes se ha convertido en una parte integral de muchas industrias:

• Sanidad: En el sector sanitario, el reconocimiento de imágenes ayuda a los radiólogos a detectar tumores, fracturas y otras anomalías en radiografías, resonancias magnéticas y tomografías computarizadas. Por ejemplo, los modelos pueden entrenarse en conjuntos de datos de imágenes médicas para identificar tumores cerebrales con gran precisión, lo que ayuda a los médicos a realizar diagnósticos más rápidos.
• Comercio minorista: Los minoristas utilizan el reconocimiento de imágenes para la gestión de inventarios haciendo que las cámaras vigilen las estanterías para detectar cuándo se están agotando los productos. Las funciones de búsqueda visual en sitios de comercio electrónico, que permiten a los clientes subir una foto para encontrar productos similares, son otra aplicación popular. Puede obtener más información en nuestra página sobre Inteligencia Artificial en el comercio minorista.

Herramientas y formación

El desarrollo de aplicaciones de reconocimiento de imágenes suele implicar el uso de bibliotecas y marcos especializados. Entre las tecnologías clave se incluyen:

• Marcos de trabajo: PyTorch(sitio oficial) y TensorFlow(sitio oficial) proporcionan las herramientas básicas para construir y entrenar modelos de aprendizaje profundo.
• Bibliotecas: OpenCV (Open Source Computer Vision Library)(sitio oficial) ofrece una vasta colección de funciones para tareas de visión por ordenador en tiempo real.
• Modelos y plataformas: Ultralytics proporciona modelos Ultralytics YOLO de última generación, como YOLO11, que están preentrenados en grandes conjuntos de datos. La plataforma Ultralytics HUB simplifica el proceso de gestión de conjuntos de datos, el entrenamiento de modelos personalizados y la exploración de opciones de despliegue de modelos. Para ver el rendimiento de los distintos modelos en tareas de reconocimiento, puede comparar el rendimiento de los modelos YOLO y explorar las últimas investigaciones en plataformas como Papers With Code.