¿Qué es la detección de objetos? Cómo encuentran las computadoras objetos en las imágenes

Cuando miras una foto de una calle, ves al instante a tres personas, dos coches, un perro y un semáforo. Para una computadora, esa misma foto es solo una serie de millones de números que describen colores de píxeles. La detección de objetos es la tecnología que convierte esos números en una lista de cosas y su ubicación.

Detección de objetos, clasificación y segmentación

La visión por computadora tiene varias tareas muy parecidas que es fácil confundir:

Tarea	Pregunta que responde	Resultado
Clasificación de imágenes	¿Qué muestra esta imagen?	Una etiqueta para toda la imagen («perro»)
Detección de objetos	¿Qué objetos hay y dónde están?	Un recuadro, una etiqueta y una puntuación por objeto
Segmentación semántica	¿Qué píxeles pertenecen a cada clase?	Una máscara de colores sobre la imagen
Segmentación de instancias	¿Qué píxeles exactos pertenecen a cada objeto?	Una máscara distinta para cada objeto

La detección está en medio: más detallada que la clasificación, pero más rápida y sencilla que segmentar cada píxel. Un quitafondos, por ejemplo, usa segmentación, porque necesita el contorno exacto.

Cómo funciona la detección de objetos

Todo detector moderno tiene dos tareas: entender qué hay en la imagen y localizar con precisión cada cosa.

1. Extracción de características. Una red neuronal llamada backbone (a menudo una red convolucional como ResNet) recorre la imagen y la convierte en un mapa compacto de características visuales: bordes, texturas, formas y, al final, partes enteras como ruedas o caras.
2. Predicción. Una cabeza de detección usa esas características para predecir recuadros, cada uno con una clase y una puntuación de confianza.
3. Limpieza. Las predicciones solapadas del mismo objeto se fusionan o se eliminan, y se filtran los resultados de baja confianza.

Las principales familias de detectores

• Detectores de dos etapas (como Faster R-CNN): primero proponen regiones que podrían contener objetos y luego clasifican cada región. Precisos, pero más lentos.
• Detectores de una etapa (como YOLO, «You Only Look Once»): predicen recuadros y clases en una sola pasada. Son lo bastante rápidos para vídeo en tiempo real.
• Detectores con transformers (como DETR, de Meta AI): miran toda la imagen a la vez con mecanismos de atención y predicen directamente un conjunto de objetos, sin pasos de limpieza ajustados a mano.

¿Qué es el conjunto de datos COCO?

La mayoría de los detectores de uso general se entrenan con COCO (Common Objects in Context), un conjunto de datos público con más de 200.000 imágenes etiquetadas. Abarca 80 categorías cotidianas: personas, animales, vehículos, muebles, electrónica, artículos de cocina, comida y material deportivo. Cuando un modelo dice detectar «80 clases», casi siempre son estas.

La otra cara es que un modelo entrenado con COCO solo conoce esas 80 clases. Pídele que encuentre destornilladores o marcas concretas y las ignorará o elegirá la categoría más parecida. Para objetos propios, las empresas ajustan un detector con sus propias fotos etiquetadas.

Prueba la detección de objetos en tu navegador

1. Abre la herramienta gratuita de detección de objetos.
2. Suelta una foto. El modelo DETR (unos 43 MB) se descarga una vez y funciona en tu dispositivo.
3. Cada objeto aparece en un recuadro con su etiqueta y su puntuación de confianza.
4. Mueve el umbral de confianza para ver más o menos detecciones.
5. Descarga la imagen etiquetada o exporta los resultados en JSON para tu propio código.

Cómo entender las puntuaciones de confianza

Cada detección incluye una puntuación entre 0 y 1 (o entre 0 % y 100 %). Es la estimación del modelo de la probabilidad de que el recuadro contenga realmente ese objeto. El umbral decide qué detecciones ves:

• Umbral alto (por ejemplo, 0,9): menos falsas alarmas, pero pueden escaparse objetos pequeños o parcialmente ocultos.
• Umbral bajo (por ejemplo, 0,5): se encuentran más objetos, pero hay más errores.

El ajuste correcto depende del uso. Un sistema de seguridad que avisa a una persona puede aceptar algunas falsas alarmas. Un conteo automático para un informe necesita mucha precisión.

Usos reales de la detección de objetos

• Vehículos autónomos: detectan peatones, ciclistas, coches, señales y semáforos.
• Comercio: autoservicio en caja, control de estanterías y conteo de visitantes.
• Industria: detecta defectos y comprueba que las piezas estén presentes.
• Agricultura: cuenta frutos, detecta malas hierbas y vigila el ganado.
• Accesibilidad: apps que describen el entorno a personas ciegas o con baja visión.
• Apps de fotos: organizan bibliotecas («muéstrame fotos con perros»).

Preguntas frecuentes

¿La detección de objetos es lo mismo que el reconocimiento facial?

No. Detectar una cara significa encontrar dónde hay caras. Reconocer una cara significa identificar quién es la persona, una tarea distinta y mucho más delicada.

¿Qué es un recuadro delimitador?

Un rectángulo que marca dónde está un objeto, normalmente guardado como la posición x e y de una esquina más un ancho y un alto en píxeles.

¿Qué es mejor, YOLO o DETR?

Depende del uso. Los modelos YOLO están optimizados para la velocidad en tiempo real. DETR tiene un diseño más sencillo y funciona bien en escenas con mucha gente. Ambos se usan mucho.

¿Puedo usar los resultados en mi propio proyecto?

Sí. Al exportar en JSON obtienes cada etiqueta, puntuación y recuadro en coordenadas de píxeles, un buen punto de partida para prototipos o etiquetado.

En resumen

La detección de objetos responde a dos preguntas a la vez: qué hay en la imagen y dónde. Los modelos modernos lo hacen en una fracción de segundo, y ahora puedes ejecutarlos directamente en el navegador para ver cómo funcionan con tus propias fotos.