Licencia YOLO
Volver al glosario de Ultralytics

Model Card

Una ficha de modelo documenta el uso previsto, los datos de entrenamiento, los resultados de evaluación y las limitaciones de un modelo entrenado; es un formato propuesto por investigadores de Google en 2018.

Una ficha de modelo es un documento breve que se publica junto con un modelo de aprendizaje automático entrenado y recoge para qué sirve, cómo se ha entrenado y evaluado, cómo funciona con distintos grupos y condiciones, y en qué casos falla. Margaret Mitchell, Timnit Gebru y sus colegas de Google propusieron este formato en 2018 en el artículo Model Cards for Model Reporting, presentado en la conferencia FAT* de 2019. Las fichas de modelo son ya una práctica habitual para la transparencia en IA: un repositorio de modelos en Hugging Face muestra la ficha del modelo en su página principal, y los laboratorios de IA publican fichas para sus principales lanzamientos, como la ficha del modelo Claude 3 que Anthropic publicó en 2024.

Qué contiene una ficha de modelo#

El artículo original propuso nueve secciones:

  • Detalles del modelo: Desarrollador, versión, fecha, arquitectura, licencia y dirección para enviar preguntas.
  • Uso previsto: Los principales usos y usuarios para los que se diseñó el modelo, así como los usos que quedan fuera de su ámbito.
  • Factores: Los grupos, instrumentos y entornos que podrían cambiar el rendimiento, como el grupo de edad, el tipo de cámara o la iluminación.
  • Métricas: Qué métricas de rendimiento se comunican, con qué umbrales de decisión y por qué se eligieron.
  • Datos de evaluación: Los conjuntos de datos utilizados para las pruebas y por qué se eligieron.
  • Datos de entrenamiento: Los datos con los que aprendió el modelo, descritos con todo el detalle que se pueda compartir.
  • Análisis cuantitativos: Resultados desglosados por cada factor, tanto por separado como en combinación.
  • Consideraciones éticas: Datos sensibles, riesgos para las personas y medidas de mitigación aplicadas.
  • Advertencias y recomendaciones: Carencias conocidas, como las condiciones que nunca se han probado.

Los análisis cuantitativos son la base de la propuesta. Una única puntuación destacada oculta los fallos concentrados en un subgrupo, por lo que la ficha de ejemplo del artículo, relativa a un detector de sonrisas entrenado con el conjunto de datos de rostros CelebA, comunica por separado las tasas de error por edad y género. Esta evaluación desglosada revela el sesgo algorítmico y el sesgo del conjunto de datos. En un modelo de detección de objetos, la misma sección comunica la precisión media promedio (mAP) por clase y por condición, como objetos pequeños, imágenes nocturnas o cada cámara, junto con la latencia de inferencia en el hardware de destino.

Fichas de modelo en Hugging Face#

En Hugging Face Hub, la ficha de modelo es el README.md del repositorio: secciones Markdown dirigidas a personas, debajo de un encabezado de metadatos YAML que Hub analiza para filtrar modelos por tarea, licencia y conjunto de datos, y mostrar resultados de evaluación. La biblioteca huggingface_hub genera ambas partes a partir de datos estructurados:

from huggingface_hub import EvalResult, ModelCard, ModelCardData
from torchvision.models import ResNet50_Weights

# Torchvision incluye la precisión publicada en ImageNet con cada conjunto de pesos
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]

# Metadatos legibles por máquina: biblioteca, datos de entrenamiento y resultados de evaluación
result = EvalResult(
    task_type="image-classification",
    dataset_type="imagenet-1k",
    dataset_name="ImageNet-1K",
    metric_type="accuracy",
    metric_value=top1,
)
card_data = ModelCardData(
    model_name="resnet50", library_name="torchvision", datasets=["imagenet-1k"], eval_results=[result]
)

# Rellena la plantilla predeterminada: un encabezado YAML seguido de secciones Markdown
card = ModelCard.from_template(card_data, model_summary="ResNet-50 image classifier trained on ImageNet-1K.")
print(card.data.to_yaml())
print([line[3:] for line in card.content.splitlines() if line.startswith("## ")])

La salida YAML enumera el conjunto de datos de entrenamiento y un bloque model-index que registra una precisión top-1 del 80,858 % en ImageNet-1K, que Hub muestra como resultado de evaluación. La segunda línea imprime las secciones de la plantilla, desde Detalles del modelo y Usos hasta Sesgos, riesgos y limitaciones, y Evaluación e impacto medioambiental: una evolución directa de las nueve secciones del artículo original.

  • Fichas de conjuntos de datos: Propuestas por Timnit Gebru y sus colegas en 2018, documentan cómo se recopiló y etiquetó un conjunto de datos y para qué debía utilizarse. La ficha de un modelo remite a la ficha de sus datos de entrenamiento en lugar de repetir su contenido.
  • Fichas de sistema: Describen un sistema de IA desplegado, compuesto por varios modelos, instrucciones, filtros de seguridad y procesos humanos. Meta introdujo el término en 2022, y los laboratorios que crean modelos de lenguaje grandes (LLM), incluido OpenAI, publican ahora una ficha de sistema con cada lanzamiento importante de un modelo.
  • Registro de modelos: Almacena archivos de modelos, versiones y linaje, mientras que la ficha explica para qué sirve cada versión registrada.
  • IA explicable (XAI): Explica por qué un modelo hizo una predicción concreta, mientras que una ficha describe su comportamiento en todo un conjunto de evaluación.

La regulación ha convertido este formato en un requisito en algunos contextos. En virtud del Reglamento de IA de la UE, desde el 2 de agosto de 2025, los proveedores de modelos de IA de uso general deben conservar documentación técnica sobre el entrenamiento y la evaluación, y facilitar a los desarrolladores que crean aplicaciones basadas en sus modelos información sobre las capacidades y limitaciones de estos. El Código de buenas prácticas de la Comisión para la IA de uso general incluye un formulario de documentación del modelo para este fin, con campos similares a los de una ficha, como los usos previstos, los datos de entrenamiento y el consumo energético. Las fichas forman parte de la práctica más amplia de la gobernanza de la IA y la IA responsable.

Mantener actualizada una ficha#

Una ficha describe una versión concreta del modelo, así que cambia cuando cambian el modelo, sus datos o las condiciones de despliegue. La supervisión de modelos en producción aporta las pruebas: la deriva de datos o un nuevo modo de fallo pasa a incluirse como advertencia en la ficha de la siguiente versión.

Parte de la ficha también puede viajar dentro del archivo del modelo. Cuando los modelos Ultralytics YOLO26 se exportan a formatos como ONNX u OpenVINO, el exportador incorpora metadatos con una descripción que indica el conjunto de datos de entrenamiento, el autor, la fecha de exportación, la versión del paquete, la licencia, la tarea, el tamaño de entrada y los nombres de las clases, de modo que la copia desplegada sigue identificando qué es y qué detecta.

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