12 de marzo de 2025
Cuando alguien se acerca con un problema de visión por computadora, las primeras conversaciones suelen girar alrededor de lo mismo: qué datos hacen falta, cuánto tiempo toma ver resultados y qué pasa si el modelo falla en producción. Estas preguntas no son señales de desconfianza, sino de que la persona ya está pensando en la implementación real.
Una de las consultas más frecuentes tiene que ver con la cantidad de imágenes necesarias para entrenar un detector. La respuesta nunca es un número fijo, porque depende de la variabilidad del entorno, la calidad de las etiquetas y el tipo de arquitectura que se planea usar. Lo que sí podemos decir con certeza es que un conjunto pequeño pero bien curado suele rendir más que uno grande con errores de anotación.
Otra pregunta recurrente es sobre el hardware. Muchos clientes llegan con la idea de que necesitan una GPU de última generación para empezar. En la práctica, para una prueba de concepto alcanza con una máquina modesta y un dataset reducido. La escala de producción es otro tema, y ahí sí conviene hablar de presupuesto y de latencia esperada antes de escribir la primera línea de código.
También aparece la duda sobre la interpretabilidad. Cuando un sistema de vigilancia toma una decisión, el operador quiere saber por qué. Por eso dedicamos parte del proceso a generar visualizaciones de activación y mapas de calor que muestran qué regiones de la imagen influyeron en el resultado. No es un lujo, es un requisito operativo.
Si estás por empezar un proyecto y no sabés por dónde arrancar, las respuestas a estas preguntas suelen definir el alcance del trabajo. En la página de contacto podemos conversar sobre tu caso concreto.