Cómo funciona la detección de objetos en el dispositivo
Qué hace este detector
El Detector de Objetos con IA analiza una foto y dibuja un cuadro con etiqueta alrededor de cada cosa reconocible que encuentra: una persona, un coche, un perro, un portátil, una silla. Por dentro ejecuta una red neuronal entrenada para reconocer 80 tipos de objetos cotidianos. Cada detección te da tres datos: un nombre, un cuadro delimitador que marca dónde está el objeto y una puntuación de confianza de 0 a 100% que indica lo seguro que está el modelo.
La detección empieza cuando pulsas Detectar Objetos y todo el análisis ocurre en tu dispositivo: el archivo del modelo (unos 18MB) se descarga una sola vez, la primera vez que lo usas.
Cuándo conviene usarlo
Sirve para etiquetar automáticamente una carpeta de fotos, comprobar qué contiene de verdad un conjunto de datos antes de entrenar tu propio modelo, o contar cuántas personas o vehículos aparecen en una escena. También resulta práctico para tareas de accesibilidad, al generar una descripción textual rápida de una imagen, y para quien prototipa ideas de visión por computador sin montar un entorno de Python.
Como exporta JSON estructurado con coordenadas, encaja en una tubería más amplia: ejecutas el detector, tomas los cuadros y los pasas a scripts de recorte, difuminado o anotación.
Un ejemplo concreto
Sube una foto de una calle. El modelo podría devolver persona al 92%, coche al 88% y semáforo al 71%, cada uno dentro de su propio cuadro de color. Sube la confianza mínima al 80% y vuelve a ejecutar: el semáforo desaparece de los resultados y solo quedan las dos detecciones más seguras. Bájala al 40% y empiezan a aparecer objetos más débiles o parcialmente ocultos, junto con alguna suposición errónea. Descarga la imagen anotada para conservar las marcas, o exporta el JSON para obtener los nombres, las puntuaciones y las coordenadas de los cuadros.
Notas y límites
El modelo conoce 80 tipos de objetos, así que cualquier cosa fuera de esa lista (una raza de perro concreta, el logotipo de una marca, texto legible) no se etiquetará. Los objetos superpuestos o muy pequeños son los casos más difíciles y a menudo quedan por debajo del umbral. El control deslizante de confianza es tu principal herramienta: los valores altos sacrifican exhaustividad a cambio de precisión, y los bajos hacen lo contrario. Si una foto no devuelve nada, bajar el umbral suele sacar a la luz los objetos que el modelo vio pero de los que no estaba seguro.