Licencia YOLO
Volver al glosario de Ultralytics

Large Vision Models (LVM)

Los modelos de visión grandes son redes de visión con cientos de millones o miles de millones de parámetros, preentrenadas con enormes colecciones de imágenes para realizar numerosas tareas.

Un modelo de visión grande (LVM) es una red neuronal para imágenes y vídeo con cientos de millones o miles de millones de parámetros, preentrenada con millones o miles de millones de imágenes para que un mismo modelo sirva para muchas tareas visuales. Es el equivalente visual de un modelo de lenguaje grande y un tipo de modelo fundacional: el preentrenamiento es principalmente autosupervisado o débilmente supervisado, y el modelo resultante se adapta a clasificación, detección, segmentación, profundidad o recuperación con pocos datos etiquetados o ninguno. La mayoría de los LVM son Transformers de visión, cuya precisión sigue mejorando con el tamaño del modelo y los datos, conforme a las mismas leyes de escalado observadas en los modelos de lenguaje. Entre los ejemplos conocidos están ViT-22B de Google, con 22 000 millones de parámetros; DINOv2 y DINOv3 de Meta; y Segment Anything Model de Meta.

Cómo se entrenan los modelos de visión grandes#

Las etiquetas no escalan hasta miles de millones de imágenes, así que los LVM aprenden principalmente de las propias imágenes o de textos asociados de forma poco estricta. DINOv2, publicado por Meta en 2023, utiliza autodestilación y entrena una red estudiante para que iguale las salidas de un profesor en distintos recortes de la misma imagen; su modelo más grande tiene 1.100 millones de parámetros y se entrenó con 142 millones de imágenes seleccionadas, y DINOv3 amplió la receta en 2025 a 7.000 millones de parámetros y 1.700 millones de imágenes. Los autocodificadores enmascarados adoptan otro enfoque para el aprendizaje autosupervisado: ocultan la mayoría de los parches de una imagen y entrenan el modelo para reconstruirlos. El aprendizaje contrastivo de imágenes y texto, como en CLIP y SigLIP, entrena un codificador de imágenes para que coincida con los pies de foto y produce redes troncales visuales que reutilizan muchos modelos multimodales. Segment Anything Model de Meta aprendió segmentación con indicaciones a partir del conjunto de datos SA-1B, con 1.100 millones de máscaras en 11 millones de imágenes.

El modelo que dio al término su uso más literal, LVM de Bai y sus colaboradores de UC Berkeley y Johns Hopkins en 2023, convierte imágenes, fotogramas de vídeo y anotaciones como máscaras de segmentación en «oraciones visuales» de tokens discretos y entrena con 420.000 millones de ellos mediante la predicción del siguiente token, sin texto alguno. En la fase de prueba resuelve tareas mediante indicaciones visuales: dados unos pocos pares de imágenes de entrada y salida de ejemplo, continúa la secuencia con la salida de una imagen nueva.

Adaptación de LVM a tareas#

Rara vez se utiliza un LVM preentrenado tal cual. Sin datos etiquetados, el modelo funciona sin ejemplos mediante sus propias indicaciones, como los clics para SAM, o mediante representaciones incrustadas de imágenes que se comparan para tareas de recuperación y eliminación de duplicados. Con algunas etiquetas, el sondeo lineal entrena una pequeña cabeza sobre características congeladas, que es la forma habitual de evaluar las características de DINOv2 y DINOv3 en estimación de profundidad y segmentación; o bien el ajuste fino actualiza la propia red troncal. Cuando el destino es un teléfono, una cámara o un robot, el LVM etiqueta datos o enseña a un modelo compacto mediante la destilación de conocimiento.

La función auto_annotate de Ultralytics sigue esta última vía: combina un detector YOLO26 con SAM de Meta para convertir los cuadros detectados en etiquetas de segmentación con las que entrenar un modelo de segmentación más pequeño. SAM-b tiene 93,7 millones de parámetros y YOLO26n-seg tiene 2,7 millones, unas 35 veces menos. Ultralytics Platform aplica la misma idea a los conjuntos de datos de detección, donde los modelos de visión guiados por clases etiquetan las imágenes con las que después se entrena un modelo YOLO26.

LVM frente a VLM y modelos específicos para tareas#

Un modelo de visión y lenguaje conecta un codificador visual, a menudo un LVM, con un modelo de lenguaje para responder con texto a preguntas sobre imágenes; un LVM por sí solo genera características, máscaras o imágenes. Los modelos específicos para tareas, como las redes de detección de objetos, se entrenan para una sola tarea y un conjunto fijo de clases, lo que los mantiene lo bastante pequeños y rápidos para la inferencia en tiempo real en dispositivos de IA en el borde. Los modelos de visión grandes sacrifican esa eficiencia a cambio de una mayor versatilidad: se evaluó una única red troncal DINOv3 congelada en clasificación, detección, segmentación, estimación de profundidad y correspondencia 3D; Meta también entrenó una versión con imágenes satelitales para tareas de análisis de imágenes satelitales, como la cartografía de la altura de las copas de los árboles.

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