Comprender la visión IA: de la clasificación de imágenes a la segmentación de instancias

En la visión por computadora, la complejidad de cómo una máquina percibe una imagen progresa desde la comprensión de la imagen completa como un solo concepto hasta el análisis a nivel de píxeles individuales. Estas tareas se categorizan según el nivel de detalle que proporcionan.

Clasificación de imágenes

La clasificación de imágenes es la tarea más fundamental. Consiste en asignar una sola etiqueta a una imagen completa. Por ejemplo, si le muestras a una IA una foto de un perro, el modelo simplemente emite la etiqueta 'Perro'. Te dice qué hay en la imagen pero no especifica dónde se encuentra el objeto ni si hay múltiples objetos. Se utiliza en contextos como la moderación de contenido, donde una imagen completa se marca como segura o insegura, o en sistemas simples de clasificación donde las imágenes se categorizan en carpetas según su contenido.

Detección de objetos

La detección de objetos pasa a un nivel más granular al identificar tanto qué hay en la imagen como dónde se encuentra. En lugar de solo etiquetar la imagen completa, dibuja un cuadro delimitador alrededor de objetos específicos y asigna una etiqueta a cada cuadro. Por ejemplo, en una escena callejera, podría dibujar cuadros alrededor de tres autos diferentes y un peatón. Esto es esencial para aplicaciones en tiempo real como la conducción autónoma, donde un automóvil necesita saber exactamente dónde están los obstáculos para evitarlos, o en el comercio minorista, donde las cámaras rastrean productos en los estantes para gestionar el inventario.

Segmentación semántica

La segmentación semántica lleva el análisis al nivel de píxel. Clasifica cada píxel de una imagen en una categoría, como carretera, cielo, árbol o automóvil. Sin embargo, no distingue entre objetos individuales de la misma clase. Si hay tres autos en la imagen, la segmentación semántica coloreará todos los píxeles pertenecientes a cualquier auto con la misma etiqueta, tratándolos efectivamente como un gran bloque de píxeles de auto. Esto es muy útil para tareas donde el límite preciso de una región es más importante que los objetos individuales, como en imágenes médicas para identificar el área de un tumor o en imágenes satelitales para mapear el uso del suelo como bosques o cuerpos de agua.

Segmentación de instancias

La segmentación de instancias combina las fortalezas de la detección de objetos y la segmentación semántica. Al igual que la segmentación semántica, clasifica cada píxel, pero también distingue entre instancias individuales de la misma clase. Si hay tres autos, los etiquetará como Auto 1, Auto 2 y Auto 3, proporcionando una máscara única para cada uno. Este es el nivel de análisis más preciso. Se utiliza en robótica avanzada donde una máquina necesita recoger un objeto específico de un montón de objetos similares, o en diagnóstico médico donde un médico necesita contar y medir células o lesiones individuales en lugar de solo identificar el área general del tejido.

Tabla comparativa

Conclusión

En resumen, la elección de la tarea depende del resultado requerido. Usa la clasificación de imágenes cuando solo necesites conocer el contenido general de una imagen. Usa la detección de objetos cuando necesites localizar objetos con cuadros delimitadores. Usa la segmentación semántica cuando necesites comprender la forma y los límites de las categorías en toda la escena. Usa la segmentación de instancias cuando necesites identificar, contar y delinear con precisión cada objeto individual en la imagen.