Unidad 10. Cómo clasifica imágenes la IA: píxeles y redes CNN

Antes de empezar: ¿qué ve realmente un ordenador?

Cuando miras una fotografía de una bicicleta, probablemente reconoces el objeto sin prestar atención a cada píxel. Un ordenador, en cambio, trabaja con números. Si queremos entender cómo puede reconocer imágenes, primero debemos comprender cómo se convierten en datos.

En esta unidad pasaremos de una imagen digital sencilla a un sistema que clasifica imágenes mediante aprendizaje automático. No tendrás que programar una red neuronal desde cero: aprenderás su lógica y la pondrás a prueba.

10.1. Los píxeles: una imagen hecha de pequeñas piezas

Una imagen digital de tipo mapa de bits está formada por una cuadrícula de elementos llamados píxeles. A cada píxel se le asigna un valor o un conjunto de valores que representa su color. Una imagen de 800 × 600 contiene 480.000 píxeles. Si ampliamos mucho una parte de la fotografía, las formas suaves acaban viéndose como pequeños cuadrados.

La resolución en píxeles indica cuántos elementos hay horizontal y verticalmente; por sí sola no garantiza calidad: importan también la captura, el enfoque, la compresión y las condiciones de iluminación.

10.2. El color se representa mediante números RGB

En muchas imágenes habituales, cada píxel se representa con tres componentes: rojo (R), verde (G) y azul (B). En el formato RGB de 8 bits por canal, cada componente puede tener valores enteros del 0 al 255.

En una imagen en escala de grises de 8 bits suele bastar con un valor entre 0 (negro) y 255 (blanco). Una imagen RGB sin comprimir de 3 × 3 píxeles necesita 3 × 3 × 3 = 27 valores de canal. Eso no equivale necesariamente al tamaño final de un archivo JPEG o PNG, porque intervienen compresión y metadatos.

10.3. La imagen como matriz de datos

Imagina una imagen 2 × 2 formada por cuatro píxeles: rojo, verde, azul y blanco. En RGB podríamos representarla mediante esta matriz de pares de filas:

Fila 1: (255,0,0)     (0,255,0)
Fila 2: (0,0,255)     (255,255,255)

La matriz no incluye por sí misma información como «esta imagen es un paisaje»; para reconocer categorías necesitamos definir reglas o entrenar un modelo.

10.4. Clasificar una imagen no es lo mismo que detectar objetos

La clasificación de imágenes asigna a una imagen una categoría, dentro de un conjunto de clases definidas para la tarea: por ejemplo, «gato», «perro» o «otro». Algunos modelos pueden devolver varias etiquetas; aquí nos centraremos en la clasificación de una clase por imagen.

La detección de objetos es diferente: además de reconocer categorías, el modelo identifica dónde aparecen los objetos, normalmente mediante recuadros delimitadores. Por ejemplo, puede localizar tres personas y dos bicicletas en una fotografía de una calle.

Son tareas relacionadas, pero no intercambiables. Un modelo que clasifica la imagen completa no tiene por qué indicar dónde está el objeto.

10.5. Características: las pistas que permiten distinguir objetos

Las personas reconocemos un objeto por su forma, textura, color, contorno y partes. Una cebra tiene cuatro patas y un patrón de rayas. Un pájaro suele tener pico, alas y plumas. Pero ninguna de esas pistas, por separado, funciona siempre: una fotografía puede estar recortada, oscura u oculta parcialmente.

En aprendizaje automático hablamos de características o features: patrones de información que ayudan a tomar decisiones. Si el sistema aprende una pista engañosa —por ejemplo, que todos los gatos de entrenamiento aparecen en un sofá—, puede fallar al ver un gato en el jardín.

10.6. Redes neuronales convolucionales (CNN)

Una red neuronal convolucional, o CNN, es una familia de modelos de aprendizaje profundo muy utilizada en visión artificial. En una explicación simplificada, algunas capas aplican filtros a regiones de la imagen para detectar regularidades visuales y las capas posteriores combinan esa información.

Las primeras capas pueden responder a bordes y texturas; capas posteriores pueden integrar configuraciones de mayor complejidad. Esto es una tendencia didáctica, no una regla universal para todas las CNN. Los filtros se ajustan durante el entrenamiento; no es necesario que un programador dibuje uno a uno todos los objetos que el modelo reconocerá.

Si una red produce «pájaro: 0,93» y «cebra: 0,07», son puntuaciones interpretables como probabilidades del modelo bajo ciertas condiciones; no equivalen automáticamente a un 93 % de exactitud real ni garantizan que la predicción sea correcta.

10.7. Errores de clasificación y condiciones de uso

El resultado puede empeorar si la fotografía tiene sombras, está borrosa, contiene objetos poco habituales o pertenece a un contexto distinto del entrenamiento. También hay errores por etiquetas incorrectas, pocas muestras o clases demasiado parecidas.

Al evaluar un modelo conviene registrar el número de aciertos sobre imágenes nunca vistas y observar qué tipos de error aparecen. Para sistemas importantes también se analizan falsos positivos, falsos negativos y desempeño en distintos grupos y situaciones.

Actividad 1. Un mosaico de colores convertido en números

Material: papel cuadriculado o una hoja de cálculo.

1. Dibuja una cuadrícula de 4 × 4 casillas.
2. Asigna a cada casilla uno de estos colores: rojo (255,0,0), verde (0,255,0), azul (0,0,255) o blanco (255,255,255). Forma un patrón reconocible.
3. Construye tres tablas de 4 × 4 con los valores separados de R, G y B.
4. Cuenta cuántos valores numéricos necesitas para describir la imagen sin comprimir.
5. Intercambia tus matrices con un compañero para que reconstruya el mosaico.

Entrega: dibujo original, matrices y respuesta razonada. Ampliación: calcula cuántos valores RGB necesitaría una imagen de 700 × 700 píxeles.

Actividad 2. Entrena una IA para limpiar el océano

La actividad oficial AI for Oceans de Code.org permite entrenar un sistema para distinguir peces de otros elementos y analizar los efectos de los datos usados.

1. Abre la actividad y selecciona la opción de comenzar.
2. Etiquetad ejemplos de «pez» y «no es pez» siguiendo las indicaciones del entorno.
3. Observad qué clasifica el modelo y anotad dos errores o dudas.
4. Explicad cómo los ejemplos de entrenamiento influyen en las predicciones.
5. Responded: ¿clasificar como «no es pez» bastaría para decidir qué debemos retirar del mar? ¿Por qué sería peligroso aplicar esa regla sin revisar sus clases?

Producto: captura de resultados (sin datos personales), tabla con dos casos y reflexión de ocho líneas.

Actividad 3. Diseña las pruebas de un clasificador

El instituto quiere identificar objetos de reciclaje a partir de una fotografía. Su modelo clasifica «papel», «plástico» y «vidrio».

1. Define tres clases y diez ejemplos distintos para cada una.
2. Propón al menos seis fotografías de prueba que no formen parte del entrenamiento.
3. Incluye imágenes con poca luz, ángulos distintos y fondos diferentes.
4. Diseña una tabla con «clase real», «predicción», «acierto/error» y «observaciones».
5. ¿Qué harías cuando el objeto no pertenece a ninguna de las clases entrenadas?

Autoevaluación y resumen

1. ¿Cuántos píxeles tiene una imagen de 1200 × 800?
2. ¿Qué significa RGB (0,0,255)?
3. ¿En qué se diferencian clasificación y detección de objetos?
4. ¿Qué hace un filtro de una CNN de forma simplificada?
5. ¿Por qué un modelo puede equivocarse ante un gato fotografiado fuera de casa?

Resumen: las imágenes digitales se representan mediante píxeles y valores numéricos. Los clasificadores extraen patrones para asignar clases y pueden usar redes convolucionales. Sus predicciones han de probarse con ejemplos nuevos y condiciones variadas.