Visión y generación de imágenes
La visión por computadora analiza fotos, videos y cámaras en vivo. Un modelo de visión no lee el nombre del archivo: aprende entrenándose con muchísimas imágenes hasta reconocer lo que hay en ellas. Hay varias tareas, de la respuesta más general a la más detallada:
Clasificación¿De qué es la foto? Le pone una sola etiqueta a toda la imagen, su tema principal: «perros».
Detección de objetos¿Dónde está cada objeto? Dibuja una caja alrededor de cada perro. Así una tienda cuenta las latas del anaquel y sabe dónde está cada una.
Segmentación semántica¿Qué píxeles son de cada objeto? Marca exactamente la silueta, píxel por píxel.
Y dos más que combinan imagen y texto:
MultimodalUn modelo que entiende imagen y texto juntos: subes una foto y escribe «un perro corre en la playa».
GeneraciónAl revés: crea una imagen nueva a partir de un prompt («un taco astronauta en la luna»).
Se usa para subtítulos y etiquetas automáticas, búsqueda visual, revisar anaqueles en tiendas, cámaras de seguridad, desbloquear el celular con tu cara (reconocimiento facial) y autos que se manejan solos.
