La visión por computador (computer vision) es la disciplina que enseña a las máquinas a extraer información significativa de imágenes y vídeo. Lo que para una persona es un vistazo instantáneo —reconocer una matrícula, leer una etiqueta, contar piezas en una cinta transportadora— para un ordenador es un problema de procesamiento de matrices numéricas. En esta guía técnica recorremos cómo funcionan la detección de objetos, el OCR y el reconocimiento facial, qué arquitecturas los sostienen y, sobre todo, qué marco legal y ético rige su uso en Europa.
De píxeles a representaciones: cómo ve una máquina
Una imagen digital es un tensor: ancho × alto × canales (3 para RGB). El gran salto de la visión moderna fueron las redes neuronales convolucionales (CNN), que aplican filtros aprendidos para detectar bordes, texturas y, en capas más profundas, formas y objetos completos. El hito histórico fue AlexNet (2012), que redujo drásticamente el error en el reto ImageNet. Desde entonces, arquitecturas como ResNet introdujeron las conexiones residuales para entrenar redes muy profundas, y más recientemente los Vision Transformers (ViT) trasladaron el mecanismo de atención —dividiendo la imagen en parches— a la visión, igualando o superando a las CNN en muchos benchmarks.
Una técnica determinante en la práctica es el transfer learning: se parte de un modelo preentrenado en millones de imágenes y se reajusta con un conjunto reducido del dominio concreto (defectos de soldadura, lesiones dermatológicas, productos de un catálogo). Esto reduce la necesidad de datos etiquetados de meses a días.
Antes incluso de la red neuronal, el rendimiento depende del preprocesamiento: normalización de los valores de píxel, redimensionado, corrección de iluminación y, sobre todo, data augmentation. Esta última genera variaciones sintéticas del conjunto de entrenamiento —rotaciones, recortes, cambios de brillo, ruido controlado— para que el modelo aprenda características robustas y no memorice las imágenes concretas. Una augmentación bien diseñada es, a menudo, la diferencia entre un modelo que generaliza y uno que se desploma ante la primera condición real no vista en el laboratorio.
Detección de objetos: localizar y clasificar
Mientras la clasificación responde "qué hay en la imagen", la detección de objetos responde "qué hay y dónde", dibujando cajas delimitadoras (bounding boxes). Dos familias dominan el campo:
- De una etapa (YOLO, SSD): predicen cajas y clases en una sola pasada. Rápidas, ideales para tiempo real (vigilancia, conducción asistida, robótica).
- De dos etapas (Faster R-CNN): primero proponen regiones candidatas y luego las clasifican. Más precisas, algo más lentas.
La métrica de referencia es el mAP (mean Average Precision), que combina precisión y exhaustividad a distintos umbrales de solapamiento (IoU, Intersection over Union) entre la caja predicha y la real. Para tareas que exigen contornos exactos —no solo cajas— se recurre a la segmentación semántica (clasificar cada píxel) o de instancias (separar objetos del mismo tipo), con modelos como Mask R-CNN o SAM.
OCR: convertir imágenes de texto en datos
El reconocimiento óptico de caracteres (OCR) transforma texto impreso o manuscrito en cadenas editables. Un pipeline moderno encadena: detección de regiones de texto, reconocimiento de caracteres mediante redes recurrentes o transformers con función de pérdida CTC, y un postprocesado lingüístico que corrige errores con modelos de lenguaje. Sus aplicaciones empresariales son inmediatas: digitalización de facturas y albaranes, lectura automática de matrículas (ANPR), extracción de datos de documentos de identidad o automatización de la entrada de datos en un ERP. La calidad depende crudamente de la resolución, el contraste y la corrección de perspectiva del documento de entrada.
Reconocimiento facial: potencia y marco legal estricto
El reconocimiento facial codifica un rostro en un vector numérico (embedding) y mide distancias para verificar identidad (1:1) o identificar dentro de una base (1:N). Su precisión técnica es alta, pero su tratamiento jurídico es el más sensible de toda la visión por computador. Los rasgos faciales usados para identificar de forma unívoca son datos biométricos y, por tanto, categoría especial según el artículo 9 del RGPD: su tratamiento está prohibido salvo excepciones tasadas (consentimiento explícito, interés público esencial con base legal, etc.).
Además, el Reglamento Europeo de Inteligencia Artificial (AI Act) clasifica los usos por riesgo. La identificación biométrica remota en tiempo real en espacios públicos por parte de autoridades está, con excepciones muy limitadas, prohibida, y la categorización biométrica basada en datos sensibles también se restringe. Cualquier sistema de identificación biométrica se considera de alto riesgo y exige evaluación de conformidad, gestión de riesgos, registro y supervisión humana. Desplegar reconocimiento facial sin un análisis previo de cumplimiento no es una opción.
Despliegue en el borde frente a la nube
Dónde se ejecuta el modelo condiciona toda la arquitectura. El procesamiento en la nube ofrece potencia de cálculo prácticamente ilimitada y facilita la actualización de modelos, pero introduce latencia de red, coste recurrente de transmisión y un problema de privacidad: enviar imágenes —que pueden contener rostros o matrículas— a un servidor externo tiene implicaciones de RGPD. El procesamiento en el borde (edge), en cambio, ejecuta la inferencia en la propia cámara o en un dispositivo local, lo que reduce la latencia a milisegundos, funciona sin conexión y mantiene las imágenes dentro del perímetro, mitigando riesgos de privacidad.
El precio del borde es la restricción de recursos: una cámara industrial o un módulo embebido no tienen la GPU de un centro de datos. Por eso se recurre a técnicas de optimización de modelos: la cuantización reduce la precisión numérica de los pesos (de 32 a 8 bits) acelerando la inferencia con una pérdida mínima de exactitud; la poda (pruning) elimina conexiones poco relevantes; y la destilación de conocimiento entrena un modelo pequeño para imitar a uno grande. Formatos como ONNX y motores como TensorRT facilitan llevar un modelo entrenado a hardware de inferencia específico. La decisión nube-borde no es ideológica: se toma midiendo latencia objetivo, coste, conectividad disponible y sensibilidad de los datos capturados.
Tabla comparativa de tareas de visión
| Tarea | Salida | Modelos típicos | Uso empresarial |
|---|---|---|---|
| Clasificación | Etiqueta global | ResNet, ViT | Control de calidad pasa/no pasa |
| Detección | Cajas + clase | YOLO, Faster R-CNN | Conteo, vigilancia, retail |
| Segmentación | Máscara por píxel | Mask R-CNN, SAM | Imagen médica, agricultura |
| OCR | Texto | CRNN, transformers | Digitalización documental |
| Reconocimiento facial | Identidad | Redes de embeddings | Acceso seguro (alto riesgo legal) |
Implementación: del prototipo a producción
- Define la tarea con precisión: ¿clasificar, detectar, segmentar o leer? La elección cambia todo el pipeline.
- Construye un dataset representativo: incluye condiciones reales de iluminación, ángulos y casos difíciles; etiqueta con criterios consistentes.
- Parte de transfer learning y reentrena con tu dominio antes de plantear entrenar desde cero.
- Mide con la métrica adecuada (mAP, IoU, F1) sobre un conjunto de test que el modelo nunca haya visto.
- Optimiza para el destino: cuantización y poda si vas a desplegar en el borde (cámaras, móviles) con recursos limitados.
- Monitoriza la deriva: el rendimiento cae cuando cambian las condiciones; reentrena periódicamente.
Errores comunes
- Entrenar con imágenes "de laboratorio" y desplegar en condiciones reales radicalmente distintas.
- Confiar en la precisión global ignorando el sesgo por subgrupos (un detector que falla más con ciertos tonos de piel o ángulos).
- Tratar datos faciales sin base legal del RGPD ni evaluación del AI Act.
- Olvidar la calidad de captura: la mejor red no compensa una cámara mal enfocada o mal iluminada.
- No versionar datasets ni modelos, imposibilitando reproducir resultados.
Preguntas frecuentes
¿Qué diferencia hay entre clasificación y detección de objetos?
La clasificación asigna una etiqueta a la imagen completa; la detección localiza cada objeto con una caja delimitadora y le asigna una clase. La detección es más costosa pero necesaria cuando hay varios objetos o importa su posición.
¿Es legal usar reconocimiento facial en mi empresa?
Solo bajo condiciones estrictas. Los datos faciales son categoría especial del RGPD y los sistemas de identificación biométrica son de alto riesgo según el AI Act. Se requiere base legal, evaluación de impacto y, en muchos usos públicos, está directamente prohibido. Consulte siempre antes de desplegar.
¿Cuántas imágenes necesito para entrenar un modelo?
Con transfer learning, unos cientos o pocos miles de ejemplos bien etiquetados por clase suelen bastar para un prototipo sólido. La calidad y representatividad importan más que la cantidad bruta.
¿Qué es la segmentación y cuándo la necesito?
Es la clasificación píxel a píxel. Se usa cuando una caja no basta y necesitas el contorno exacto: medir la superficie de una lesión, separar cultivos en una imagen aérea o aislar un producto del fondo.
Conclusión
La visión por computador ha dejado de ser un campo experimental para convertirse en una capa operativa que inspecciona piezas, digitaliza documentos y automatiza el control de calidad con precisión sobrehumana en tareas acotadas. Pero su madurez técnica viene acompañada de una responsabilidad creciente: cuanto más fácil es identificar y rastrear a personas a partir de una imagen, más estricto es el marco que lo regula. El éxito de un proyecto de visión no se mide solo por su mAP, sino por su robustez ante condiciones reales, la ausencia de sesgos perjudiciales y el cumplimiento escrupuloso del RGPD y del AI Act. En Summum Inteligencia Artificial diseñamos sistemas de visión que rinden en producción y nacen conformes desde el primer prototipo, porque un modelo que la ley no permite desplegar no es un modelo: es un riesgo.