Recopilación de imágenes para visión artificial

Recopilación de imágenes para visión artificial: cómo crear un dataset propio
Un modelo de visión artificial solo conoce el mundo a través de las imágenes con las que se entrenó. Si el conjunto de entrenamiento estaba lleno de oficinas luminosas, smartphones nuevos y productos de estanterías de tiendas estadounidenses, la precisión caerá en un almacén poco iluminado, con una cámara barata o en una tienda de Lagos, y cambiar de arquitectura no lo arreglará. Por eso los equipos que llevan modelos de CV a producción tarde o temprano llegan a la misma conclusión: necesitan un dataset propio, creado para su caso de uso.
El mercado lo confirma. Según Grand View Research, el mercado de la visión artificial valía 23.600 millones de dólares en 2025 y se prevé que alcance los 101.500 millones en 2033 (una CAGR del 20,1%). Cuanto más se usan los modelos en condiciones reales, mayor es la demanda de imágenes que reflejen esas condiciones.
Esta guía cubre la recopilación de imágenes para visión artificial desde cero: cuándo no bastan los datasets abiertos, qué imágenes necesita cada tarea, cómo redactar la especificación del dataset, cuántas imágenes hacen falta, cómo organizar la recopilación mediante microtareas y cómo comprobar la calidad antes del etiquetado. El proceso general lo explicamos en nuestra guía sobre la recopilación de datos de entrenamiento para IA; aquí nos centramos solo en las imágenes.
Datasets abiertos o dataset propio: cuándo no basta lo que ya existe
Los datasets abiertos son un buen punto de partida. COCO tiene unas 330.000 imágenes de 80 categorías de objetos, e ImageNet, más de 14 millones de imágenes. Son excelentes para el preentrenamiento y para comparar arquitecturas. Pero en producción tienen tres limitaciones.
Cambio de dominio. Los grandes datasets abiertos se extrajeron de internet y contienen bastantes más fotos de países occidentales de ingresos altos. En el artículo "Does Object Recognition Work for Everyone?", investigadores de Facebook AI probaron cinco servicios comerciales de reconocimiento (Azure, Clarifai, Google Cloud Vision, Amazon Rekognition e IBM Watson) con fotos tomadas en hogares de 54 países. La precisión en hogares con ingresos inferiores a $50 al mes fue aproximadamente un 10% menor que en hogares con ingresos superiores a $3,500. La diferencia entre Estados Unidos y Somalia o Burkina Faso fue del 15–20%. La razón es sencilla: el jabón, los cepillos de dientes y las cocinas tienen un aspecto distinto en cada país y aparecen en entornos diferentes.
Tus clases no están. Si tu modelo tiene que detectar defectos en tus productos, reconocer tu envase en una estantería o leer tickets de un formato concreto, los datasets abiertos sencillamente no contienen esas imágenes.
Licencias. "Disponible públicamente" no significa "autorizado para uso comercial". Los autores de "Can I use this publicly available dataset to build commercial AI software?" analizaron seis datasets populares, entre ellos ImageNet, MS COCO, Cityscapes y FFHQ, y comprobaron que ninguno permite explícitamente comercializar los modelos entrenados con él. En todos había algún escenario de uso con riesgo de infringir la licencia.
Dataset abierto | Dataset propio | |
|---|---|---|
Coste | Gratis | Pagas por la recopilación y el etiquetado |
Adecuación a tu tarea | General; puede que falten tus clases | Exacta: tus objetos, condiciones y dispositivos |
Geografía y diversidad | Sesgado hacia países occidentales | Lo defines tú: países, iluminación, cámaras |
Derechos de uso | A menudo restringidos o poco claros | Los derechos y el consentimiento se gestionan durante la recopilación |
Tiempo para empezar | Inmediato | Desde unos pocos días (piloto) |
El enfoque que usan la mayoría de los equipos: preentrenar con datos abiertos y después hacer fine-tuning y evaluar con un conjunto propio tomado en condiciones reales de uso.
Qué imágenes necesita cada tarea de visión artificial
Antes de redactar una tarea para los trabajadores, decide qué hará el modelo. Eso determina qué aparece en el encuadre, cuántos objetos contiene cada foto y cómo se etiquetarán los datos después.
Tarea | Qué debe mostrar la foto | Ejemplo de formato de recopilación |
|---|---|---|
Clasificación | Un objeto o escena principal, de cerca | 5 fotos del interior de tu nevera con iluminación normal |
Detección de objetos | Varios objetos en un entorno natural, a distintas escalas | Una estantería completa de una tienda fotografiada a 1–2 m |
Segmentación | Contornos de objetos nítidos, fondos variados | Plantas de interior sobre fondos distintos |
OCR y documentos | Texto en distintos ángulos y con distinta luz, con reflejos y arrugas | Tickets, etiquetas, rótulos de tiendas |
Gestos, poses, manos | Personas en el encuadre, distintas poses, tonos de piel y fondos | Una mano haciendo un gesto concreto |
Retail y productos | Envases desde distintos lados, en la estantería y en la mano | Un producto de frente, de lado y por detrás |
Escenas y entornos | Interiores, calles, clima, momento del día | La entrada de un edificio de día y de noche |
Si el modelo tiene que entender el movimiento o una secuencia de acciones, las fotos fijas no bastarán. En ese caso es mejor recopilar vídeo y extraer fotogramas. Explicamos cómo organizarlo en nuestro artículo sobre la recopilación de vídeo para entrenar IA.
La especificación del dataset: qué definir antes de empezar la recopilación
La especificación es un documento de una o dos páginas que sirve de base para las instrucciones de los trabajadores y los criterios de aceptación. Cuanto más precisa sea, menos fotos tendrás que rechazar. Debe cubrir lo siguiente.
- Sujeto y encuadre. Qué debe aparecer en el encuadre, qué parte del encuadre ocupa y si se pueden cortar los bordes del objeto.
- Ángulos y distancia. Por ejemplo: de frente, en ángulo de 45°, desde arriba; a 30 cm y a 1 m.
- Iluminación. Luz de día, luz artificial, penumbra. Si el modelo va a funcionar con poca luz, el dataset también necesita fotos con poca luz.
- Fondo y entorno. Un fondo liso facilita el etiquetado, pero un modelo entrenado solo con fondos lisos rinde mal en entornos reales. Lo habitual es querer fondos naturales.
- Resolución y formato. Tamaño mínimo del lado corto (por ejemplo, 1080 px), JPEG o PNG, sin filtros, marcos ni textos. Las capturas de pantalla y las fotos de pantallas normalmente no se aceptan.
- Dispositivos. Si el modelo va a funcionar en una app móvil, las fotos deben tomarse con varios smartphones, incluidos modelos económicos.
- Metadatos. Qué envían los trabajadores junto con la foto: país, tipo de lugar, modelo de teléfono, clase del objeto. Decide de antemano si necesitas los datos EXIF y la geolocalización y, si no, elimínalos al recibir las fotos.
- Restricciones. Caras de otras personas, documentos, matrículas, pantallas con datos personales, imágenes de internet.
Ejemplo de redacción: "Fotografía cualquier cartón de leche que tengas en casa. Necesitamos 4 fotos: de frente, de lado, desde arriba y en tu mano. El cartón debe ocupar al menos la mitad del encuadre. Usa la cámara del teléfono sin filtros. Que no aparezcan caras ni documentos en el encuadre."
Cuántas imágenes necesitas y cómo conseguir una diversidad real
No hay una cifra universal, pero sí referencias. Los consejos de entrenamiento de Ultralytics para los modelos de detección YOLO recomiendan al menos 1.500 imágenes y al menos 10.000 instancias etiquetadas por clase, además de un 0–10% de imágenes de "fondo" sin objetos objetivo para reducir los falsos positivos. Es una referencia para obtener resultados sólidos en producción. Para un piloto o para hacer fine-tuning de un modelo preentrenado, los equipos suelen empezar con mucho menos y luego recopilan más datos allí donde el modelo se equivoca.
La diversidad importa más que la cantidad bruta. Esas mismas recomendaciones enumeran lo que debe variar: momento del día, estación, clima, iluminación, ángulo y fuente (cámaras distintas). Mil fotos casi idénticas de una sola persona suelen aportar al modelo menos que trescientas fotos de cien personas distintas en condiciones diferentes.
Para que la diversidad sea un requisito y no un deseo, crea una matriz de cobertura y fija cuotas. Por ejemplo, para 2.000 fotos de productos en estanterías:
Parámetro | Distribución |
|---|---|
Países | 4 países, 500 fotos cada uno |
Iluminación | 60% luz de tienda, 25% luz de día, 15% poca luz |
Distancia | 50% estantería completa, 50% primer plano |
Trabajadores | No más de 3 tareas (12 fotos) por persona |
Imágenes de fondo | 5% estanterías sin los productos objetivo |
Un límite por trabajador es una forma sencilla y fiable de conseguir cámaras, lugares y estilos de fotografía distintos. Además, evita la fuga de datos entre particiones: pon todas las fotos de una misma persona en el conjunto de entrenamiento o en el de prueba, porque si no, tus métricas de prueba saldrán infladas.
Cómo recopilar imágenes mediante microtareas en RapidWorkers
El crowdsourcing encaja bien con la recopilación de imágenes: los trabajadores ya tienen smartphones, viven en distintos países y fotografían hogares, tiendas y calles reales en lugar de decorados de estudio. RapidWorkers tiene una sección AI Tasks para este tipo de trabajo (actualmente en beta). Así funciona el proceso.
- Convierte la especificación en una tarea. Pasos breves, ejemplos de fotos buenas y malas, una lista de restricciones y una línea sobre para qué son los datos. Un trabajador debería entender la tarea en un minuto.
- Decide qué cuenta como una tarea. Lo que mejor funciona es un conjunto: por ejemplo, 4 fotos de un objeto desde distintos ángulos. Así la revisión es más fácil y el límite por persona queda bajo control.
- Elige los países. La segmentación geográfica muestra la tarea solo a los trabajadores de los países que selecciones. Para la matriz de cobertura anterior, puedes lanzar una campaña separada para cada país, con su propio límite.
- Fija la tarifa. El empleador fija la tarifa por tarea, con un mínimo de $0.05. Las fotos más difíciles (ir a una tienda, encontrar un producto concreto, fotografiar con una luz determinada) deben pagarse mejor que la foto de un objeto sobre una mesa, o la tarea tardará en aceptarse.
- Recarga saldo y lanza un piloto. El depósito mínimo es de $20 con tarjeta o criptomonedas, y la campaña mínima es de $0.30. Al coste de la tarea se suma una comisión de la plataforma del 15%.
- Revisa y aprueba los envíos. Los envíos rechazados no se pagan. Si terminas una campaña antes de tiempo, el presupuesto no usado vuelve a tu saldo (puede aplicarse una comisión de cancelación de $0.20).
Ejemplo de cálculo. Necesitas 2.000 fotos de envases. Una tarea son 4 fotos de un envase, así que necesitas 500 tareas. A $0.20 por tarea:
Concepto | Importe |
|---|---|
Piloto: 50 tareas × $0.20 | $10.00 |
Comisión del 15% | $1.50 |
Total del piloto | $11.50 |
Recopilación principal: 500 tareas × $0.20 | $100.00 |
Comisión del 15% | $15.00 |
Total por 2.000 fotos | $115.00 |
Es una tarifa de ejemplo a modo ilustrativo. El precio final depende de lo difícil que sea la toma y de la rapidez con que necesites los datos. Si tienes un plazo ajustado, puedes fijar la tarea en la parte superior del feed por $10.
Revisión de las imágenes al recibirlas
Revisa las fotos antes de que pasen al etiquetado. Si no, pagas dos veces por cada imagen sobrante o defectuosa: una por la recopilación y otra por el etiquetado. Lo más práctico es combinar filtros automáticos con revisión manual.
Comprobaciones automáticas (unas pocas líneas de Python con OpenCV o Pillow):
- resolución inferior al mínimo de tu especificación;
- desenfoque (por ejemplo, con la varianza del laplaciano) y fotos demasiado oscuras o sobreexpuestas;
- duplicados y casi duplicados mediante hash perceptual, también entre trabajadores distintos;
- capturas de pantalla e imágenes de internet (sin EXIF de cámara, relaciones de aspecto inusuales, detectadas con búsqueda inversa de imágenes);
- caras y texto en el encuadre donde no deberían estar.
La revisión manual cubre lo que la automatización no detecta: si es el objeto correcto, si los ángulos y la iluminación cumplen la especificación y si los metadatos coinciden con lo que aparece en la foto. Al principio revisa todos los envíos y después pasa a una muestra de cada trabajador. Cuando rechaces un envío, indica un motivo concreto de una lista predefinida ("la foto está desenfocada", "falta la vista lateral") para que los trabajadores asimilen antes los requisitos.
Caras, datos personales y consentimiento
La opción más sencilla es recopilar fotos sin ninguna persona. Si tu tarea necesita caras, manos o cuerpos, los requisitos son más estrictos. Según la guía de la ICO del Reino Unido, la foto de una persona no es en sí un dato biométrico, pero pasa a serlo cuando se somete a un tratamiento técnico específico que permite identificar a la persona de forma única. La ley BIPA de Illinois sigue una lógica similar: las fotografías en sí quedan excluidas, pero la geometría facial obtenida a partir de ellas está protegida. Las indemnizaciones legales son de $1,000 por infracciones negligentes y $5,000 por infracciones intencionadas o temerarias por persona.
En la práctica, esto se resume en tres reglas. Los trabajadores solo se fotografían a sí mismos o a objetos, no a transeúntes. La tarea indica claramente para qué se usarán las fotos y se recoge un consentimiento explícito. Las caras, matrículas y documentos que aparezcan por casualidad en el fondo se difuminan, o la foto se rechaza.
Después de la recopilación: etiquetado y recopilaciones adicionales específicas
Las imágenes recopiladas solo se convierten en un dataset cuando se etiquetan con clases, bounding boxes o máscaras. Si la clase ya está definida en el momento de la recopilación ("fotografía un cartón de leche"), parte del trabajo de clasificación ya está hecho. La detección y la segmentación necesitan un paso aparte. Explicamos cómo hacerlo sin perder precisión en nuestro artículo sobre la externalización del etiquetado de datos.
Un dataset no se construye de una sola vez. Tras el primer entrenamiento, mira dónde falla el modelo: en la oscuridad, en una clase concreta, en uno de los países. Después lanza una recopilación adicional específica justo de esas imágenes. Unos cientos de ejemplos difíciles recopilados a propósito suelen aportar más que otros mil aleatorios. Aquí las microtareas resultan muy prácticas: una nueva campaña con una tarea afinada se lanza en unos minutos.
Checklist: un dataset de imágenes en 7 pasos
- Define la tarea del modelo y la lista de clases.
- Redacta la especificación: encuadre, ángulos, iluminación, fondo, resolución, restricciones.
- Crea una matriz de cobertura y fija un límite por trabajador.
- Lanza un piloto de 30–50 tareas y revisa todos los envíos.
- Corrige la tarea según los errores habituales del piloto.
- Lanza la recopilación principal con filtros automáticos y revisión por muestreo.
- Etiqueta, entrena, localiza los puntos débiles del modelo y recopila más datos para ellos.
Un dataset de imágenes propio es algo que la competencia no puede descargar: refleja tus objetos, tus usuarios y las condiciones reales en las que funciona tu modelo. Para empezar, crea una campaña en RapidWorkers y lanza un pequeño piloto.
Preguntas frecuentes sobre la recopilación de imágenes
¿Qué es la recopilación de imágenes para visión artificial?
Es el proceso de reunir fotos que reflejen las condiciones reales en las que trabajará un modelo: los objetos, ángulos, iluminación, dispositivos y países adecuados. Tras la recopilación, las imágenes se revisan y se etiquetan, y solo entonces se usan para el entrenamiento.
¿Cuántas imágenes necesitas para entrenar un modelo?
Para la detección de objetos, Ultralytics recomienda al menos 1.500 imágenes y al menos 10.000 instancias etiquetadas por clase. Para un piloto o para hacer fine-tuning de un modelo preentrenado, los equipos suelen empezar con menos y añaden datos donde el modelo se equivoca.
¿Se puede entrenar un modelo comercial con datasets abiertos?
No siempre. Muchos datasets populares no permiten explícitamente el uso comercial de los modelos entrenados con ellos. Consulta la licencia con un abogado antes de usar uno en un producto.
¿Cuánto cuesta recopilar un dataset de imágenes con microtareas?
En RapidWorkers, el empleador fija la tarifa, desde $0.05 por tarea, más una comisión del 15%. En el ejemplo anterior, 2.000 fotos (500 tareas a $0.20) cuestan $115.
¿Qué diferencia hay entre recopilar imágenes y etiquetarlas?
Recopilar significa conseguir fotos nuevas. Etiquetar significa añadir las clases, bounding boxes o máscaras de las que aprende el modelo. Puedes hacer ambas cosas con microtareas, en campañas separadas.
¿Cómo se recopilan fotos de países concretos?
Usa la segmentación geográfica: la tarea se muestra solo a los trabajadores de los países que selecciones. Para una cobertura uniforme, lanza una campaña separada para cada país.
¿Listo para empezar?
Únete a miles de trabajadores y empleadores que ya usan RapidWorkers para completar tareas rápido.
- Sin suscripción
- Cancela cuando quieras
- Disponible 24/7
- Resolución de disputas


