Puntos clave
- La clasificación de imágenes es elegir una sola etiqueta al mirar una foto. En la forma básica, sin importar cuántos objetos tenga la foto, la respuesta es una sola (también existen versiones que pegan varias etiquetas juntas).
- Las etiquetas posibles están solo dentro de una lista definida de antemano. Lo que no está en la lista jamás va a aparecer.
- La respuesta no sale tajante: a cada etiqueta se le da un puntaje, y al final se elige la más alta.
- No dice dónde está el objeto. Si hace falta la posición, hay que pasar al siguiente nivel: la detección de objetos.
- Con solo unas pocas fotos alcanza para armar un clasificador propio directamente desde la cámara web, así de bajo es el umbral de entrada.
La analogía
En el mostrador de una carnicería hay un corte de carne. El carnicero lo mira una vez y dice, sin dudar, "paleta". No le pone dos nombres a la vez, ni titubea diciendo que se parece a paleta y también a bola de lomo. Un solo nombre y listo.
Los nombres que puede decir están solo en el cartel de cortes que cuelga en la pared. Si le llevas un corte que no aparece ahí, no te va a responder "carne desconocida": va a elegir el nombre más parecido de los que están escritos, porque ese cartel es todo el mundo que esa carnicería conoce.
Y otra cosa: lo único que recibes de vuelta es un nombre. De qué parte del animal salió ese corte, o en qué lado de la bandeja estaba, eso no te lo dice.
En detalle
Solo elige dentro de una lista fija
Al armar un clasificador, primero se define la lista de etiquetas. Si se decidió que fueran perro, gato y ave, de ahí en adelante, entre cualquier foto que llegue, la respuesta será una de esas tres. Si se le pasa una foto de una taza, igual va a salir perro, gato o ave.
Conocer esta propiedad ayuda muchísimo a leer bien el resultado. Cuando sale una respuesta absurda, muchas veces no es que el modelo esté fallando, sino que se le hizo una pregunta que de entrada no tenía respuesta posible. Por eso, en el uso real, a veces se agrega a la lista una casilla de "ninguna de las anteriores" y se entrena para que las fotos que no tienen nada que ver caigan ahí.
Incluso una etiqueta que sí está en la lista puede fallar si aparece en una forma que nunca se vio durante el entrenamiento. Si solo aprendió con fotos de día, se confunde con el mismo objeto fotografiado de noche. Por eso, al armar un clasificador con la cámara web, cambiar el fondo o el ángulo en varias fotos mejora notablemente el resultado.
La respuesta sale en forma de puntaje
El clasificador no afirma sin más "esto es un gato". Le da un puntaje a cada etiqueta: gato 0.82, perro 0.15, ave 0.03, por ejemplo. En la forma básica de elegir una sola etiqueta, todos los puntajes suman 1, así que se pueden leer casi como porcentajes.
Lo que vemos como respuesta es el más alto de esos puntajes. Pero un primer puesto con 0.9 y uno con 0.35 son situaciones muy distintas: el primero refleja bastante seguridad, el segundo apenas supera al resto. Si giras el objeto lentamente frente a la cámara web, puedes ver cómo las barras de puntaje se agitan, y esa inquietud muestra cuánto está dudando el modelo.
Por eso, en los servicios reales, es común usar la respuesta solo cuando el primer puesto supera cierto umbral, y si no lo supera, tratarla como "no lo sé".
No dice dónde está
La limitación más grande de la clasificación de imágenes es la posición. Si le pasas la foto de un escritorio, va a decir "escritorio", pero no te va a decir en qué lado de la foto está, ni cuántas tazas hay encima. Si la foto tiene varios objetos, el resultado se deja arrastrar por el más llamativo.
Un escalón más arriba está la detección de objetos, que marca cada objeto con un recuadro, y un escalón más arriba todavía, la segmentación, que recorta la forma punto por punto. Una etiqueta por foto, un recuadro por objeto, una etiqueta por punto: cuanta más precisión se necesita, más pesados se vuelven también los datos de entrenamiento que hay que preparar. La clasificación solo necesita el nombre escrito junto a la foto, pero los recuadros y las formas hay que dibujarlos a mano, uno por uno.
Se puede probar directamente con la cámara web
La clasificación de imágenes tiene un umbral más bajo que otras tareas porque es fácil reunir datos de entrenamiento: basta con repartir las fotos en carpetas según su tipo para tener listo el material.
También es común tomar un modelo grande que ya vio muchísimas fotos y hacer que solo la última parte vuelva a aprender con las fotos propias. Así se hereda intacta la capacidad de reconocer detalles finos y piezas, y solo se enseña de nuevo la parte que elige la etiqueta. Por eso, con unas pocas decenas de fotos por categoría, ya sale un clasificador aceptable. Las herramientas de prueba que terminan en minutos, dentro del navegador, usan justo este método.
Con más precisión
La clasificación de imágenes es un problema que recibe una foto como entrada y devuelve puntajes sobre una lista de etiquetas definida de antemano. En el último paso se hace un cálculo que ajusta los puntajes en proporción para que sumen 1, así que el resultado se puede tratar como una probabilidad. Sin embargo, ese valor no siempre coincide con la proporción de aciertos real, y se sabe que en los modelos actuales el puntaje suele salir más alto que esa proporción.
Como la etiqueta viene directamente del nombre de la carpeta donde alguien ordenó las fotos, la forma en que se reunieron los datos influye muchísimo en el resultado. Si una categoría tiene muchísimas más fotos que otra, o si una sola se tomó siempre con el mismo fondo, el modelo puede terminar confundiendo ese fondo con la etiqueta.
La analogía de la carnicería también tiene sus costuras. Una persona, además de mirar, puede tocar la textura y oler la carne, pero el clasificador solo cuenta con lo que está en esa única foto. Y mientras el carnicero dice un solo nombre, el clasificador por dentro le da un puntaje a cada etiqueta, las pesa y muestra la más alta. Y en vez de elegir un solo nombre, también existe la forma de poner varias etiquetas a la vez: por ejemplo, marcar juntas "mar", "atardecer" y "verano" en una misma foto. En ese caso los puntajes no se reparten para sumar 1, sino que cada etiqueta se juzga por separado.
Pruébalo
Malentendidos comunes
Es fácil pensar que el clasificador avisa cuando no sabe algo, pero en realidad, ante una foto que no está en su lista, igual fuerza una respuesta de las que sí conoce.
Es fácil creer que un puntaje alto siempre es correcto, pero en realidad es común que se equivoque con total seguridad ante situaciones que nunca vio durante el entrenamiento.
Es fácil pensar que si clasifica bien también sabe la posición, pero en realidad, para que devuelva una posición, hacen falta datos de entrenamiento y una parte final distintos.
Resumen en una línea
La clasificación de imágenes elige una sola etiqueta de una lista fija al mirar una foto, así que dice qué es, pero no dice dónde está ni cuántas hay.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17