Visión por computador para equipos industriales y de producto

Depende de la tarea y de los datos. YOLO v11 y YOLOv8 son la opción por defecto para la detección de objetos y la segmentación de instancias cuando se dispone de cajas o máscaras; v11 es más rápido y preciso, v8 tiene el ecosistema más amplio de checkpoints preentrenados. SAM 2 es lo que usamos cuando se necesitan máscaras de segmentación sin etiquetado a nivel de clic, sobre todo en vídeo. CLIP y DINOv2 son la elección para la clasificación zero-shot, la recuperación de imágenes y la búsqueda visual. El entrenamiento a medida (Detectron2, MMDetection, cabezas personalizadas sobre backbones ViT/Swin) se justifica cuando el dominio está lejos de las imágenes naturales: rayos X, satélite, obleas de semiconductores, microscopía. El primer entregable es siempre una nota de selección de modelo por escrito, no un modelo ya elegido.

Deciden la latencia, la privacidad y la economía unitaria. El edge (NVIDIA Jetson, OAK-D, Coral, NPU móviles) gana cuando se necesita una respuesta inferior a 100 ms, cuando el ancho de banda es limitado o cuando enviar vídeo a la nube es inviable por privacidad o cumplimiento. La nube (NVIDIA Triton en instancias con GPU, AWS Rekognition para tareas estándar, GCP Vision, Azure Vision) gana cuando se necesitan actualizaciones centralizadas del modelo, cuando la precisión pesa más que la latencia o cuando los dispositivos no pueden alojar un modelo de 200 MB. Muchos sistemas en producción hacen ambas cosas: un detector pequeño en el dispositivo para el triaje y un modelo mayor en la nube para la verificación. Evaluamos ambas vías con sus fotogramas reales antes de recomendar.

Un manual en tres pasos. Primero, preetiquetar con modelos de base: SAM 2 para máscaras, GroundingDINO para cajas, CLIP para clasificación y VLM de frontera (GPT-4o, Claude 3.7) para los casos difíciles. Esto reduce el tiempo de anotación entre un 60 y un 80 por ciento. Segundo, revisión con supervisión humana (human-in-the-loop) en Label Studio, CVAT o Roboflow con un objetivo de acuerdo entre anotadores superior a 0.85 (kappa de Cohen) antes de que ningún fotograma entre en el entrenamiento. Tercero, aprendizaje activo: el modelo elige el siguiente lote que etiquetar según la incertidumbre, no mediante un muestreo aleatorio. Podemos operar nosotros mismos el equipo de anotación o montar el pipeline y entregárselo al suyo.

Tres señales seguidas a diario. Primera, la distribución de salidas: histogramas de confianza por clase, deriva del recuento de detecciones y deriva del área de las máscaras, comparados con una línea base de siete días en Grafana. Segunda, la deriva de entrada: desplazamiento de embeddings en el espacio de características de CLIP o DINOv2 con pruebas MMD o KS frente al conjunto de entrenamiento. Tercera, la retroalimentación de la verdad de referencia: un porcentaje ajustable de fotogramas de inferencia se envía a revisión humana (o a una señal de negocio posterior que haga de proxy de la verdad de referencia), con informes semanales de precisión/exhaustividad por segmento. Las alertas saltan al superar un umbral y activan el flujo de reentrenamiento en MLflow, con una ruta de rollback documentada.

Sí, con el trabajo de cumplimiento incluido en el alcance desde la primera semana. Conforme al artículo 9 del RGPD, los datos biométricos son datos de categoría especial: la base jurídica debe ser el consentimiento explícito, el interés vital o un interés público esencial. Redactamos la DPIA conjuntamente con su equipo de privacidad antes de procesar ningún fotograma. Las salvaguardas técnicas incluyen inferencia en el dispositivo cuando es viable, plantillas faciales con hash en lugar de embeddings en bruto, retención con caducidad y almacenamiento segregado por IAM. En los despliegues en EE. UU. seguimos BIPA (Illinois), CUBI (Texas) y Washington H.B. 1493. Estamos alineados con el RGPD, preparados para ISO 27001, con SOC 2 Type II en curso, aptos para HIPAA y con la CCPA contemplada.

Los proyectos son de alcance cerrado y ajustados, todo incluido y presupuestados en USD. Una PoC de visión artificial parte de $2,900 (4–6 semanas); un único modelo de detección o clasificación, desde $8,100; un pipeline de visión de extremo a extremo desplegado en un destino, desde $10,400; un sistema de ML en producción con MLOps y monitorización de deriva, desde $13,800. La cifra exacta depende de lo lejos que esté su dominio de las imágenes naturales, de cuántos datos etiquetados existan el primer día, de su destino de despliegue y presupuesto de latencia, y del alcance biométrico o regulado. Usted ve el presupuesto desglosado al final del descubrimiento y lo aprueba antes de escribir una sola línea de código. No hay recargo por intermediación ni sobrecostes por herramientas, y el cómputo en GPU, la mano de obra de anotación y el hardware edge corren por sus propias cuentas, de modo que usted conserva el control del coste.

No hay una única cifra de precisión que merezca citarse: un modelo con un 95 % de mAP que falla en el 5 % de los fotogramas que importan al negocio es un mal modelo. Fijamos el objetivo durante el descubrimiento como precisión y exhaustividad por clase y por segmento, vinculadas a la decisión real que respalda el modelo: un falso negativo en un defecto crítico para la seguridad cuesta mucho más que un falso positivo, así que el umbral es asimétrico y se fija con usted. El conjunto de evaluación de referencia se congela antes del entrenamiento y cada iteración del modelo se informa frente a él por segmento, no como un promedio de titular. «Suficientemente bueno» es el punto en que el modelo junto con su revisión con supervisión humana (human-in-the-loop) supera su proceso actual en la métrica que mueve la cuenta de resultados (P&L), y lo decimos por escrito si los datos no permiten llegar a ello.

Con ambos. Para el vídeo añadimos tratamiento temporal sobre la detección a nivel de fotograma: SAM 2 para propagar máscaras entre fotogramas, seguimiento multiobjeto (ByteTrack, BoT-SORT) para ID persistentes y estrategias de muestreo de fotogramas para que no pague por inferir sobre 30 fotogramas casi idénticos por segundo. Los flujos en tiempo real son una cuestión de edge frente a nube y de presupuesto de latencia que evaluamos desde el principio: una restricción de p95 inferior a 80 ms sobre un flujo RTSP empuja hacia un detector cuantizado en un Jetson junto a la cámara, mientras que un pipeline de analítica por lotes sobre grabaciones sale más barato en la nube. Dimensionamos la tasa de fotogramas, la resolución y el búfer según el evento concreto que necesita detectar.

Usted, desde el primer día. La cesión de la propiedad intelectual queda escrita en el contrato al inicio, no se negocia al final. Usted conserva los pesos entrenados, el pipeline de anotación, el conjunto de evaluación de referencia, los datos de entrenamiento y el código de despliegue: no hay dependencia del proveedor respecto al artefacto del modelo ni licencia por inferencia a nuestro favor. El cómputo en GPU, la mano de obra de anotación de conjuntos de datos de gran volumen y el hardware edge corren por sus propias cuentas de nube y de hardware, de modo que tanto los activos como el control del coste se quedan con usted. Si más adelante lleva el modelo a su equipo interno o a otro equipo, todo lo necesario para reentrenarlo y volver a desplegarlo ya es suyo y está documentado.

Sí; es un punto de partida habitual. Empezamos con una auditoría y no con una reconstrucción: volvemos a ejecutar su modelo contra un conjunto de evaluación por segmentos bien construido para encontrar dónde falla (una clase concreta, una condición de iluminación, un ángulo de cámara o un caso límite), comprobamos si el problema son los datos, las etiquetas, la arquitectura o la deriva desde el lanzamiento y cuantificamos la brecha. A menudo la solución es la calidad de la anotación y el aprendizaje activo sobre los segmentos con fallos, no un modelo nuevo. Cuando una reconstrucción es realmente el camino más barato, se lo decimos y mostramos las cifras. El resultado de la auditoría es un diagnóstico por escrito y un plan de subsanación con costes, y encaja en los mismos niveles de alcance cerrado que un desarrollo nuevo.