La anotación de imágenes para visión por ordenador exige más que delinear objetos o aplicar etiquetas de clase. Una anotación de alta calidad implica comprender cómo las representaciones geométricas influyen en el aprendizaje del modelo y cómo la consistencia determina la estabilidad de los límites de decisión. A diferencia de las explicaciones básicas sobre anotación, este artículo se centra en los principios técnicos para crear datos de entrenamiento que produzcan modelos precisos, robustos y generalizables. El objetivo es mostrar cómo las decisiones de anotación afectan al rendimiento del modelo a nivel estructural.
Cada formato de anotación tiene implicaciones matemáticas. Las cajas delimitadoras transmiten señales espaciales generales que alimentan a los detectores de objetos, mientras que los polígonos y las máscaras de píxeles comunican información detallada sobre la forma, de la que dependen las redes de segmentación. La calidad de la anotación determina qué tan bien las capas convolucionales detectan bordes o cómo los modelos de segmentación interpretan contornos. Estas interacciones convierten el proceso de anotación en una disciplina técnica, no en una simple tarea de etiquetado. Comprenderlas permite a los equipos diseñar conjuntos de datos alineados con las capacidades del modelo y los objetivos de entrenamiento.
Este artículo está escrito para profesionales que necesitan crear o supervisar flujos de trabajo de anotación de imágenes que respalden sistemas complejos del mundo real. No repite las explicaciones introductorias de los artículos anteriores de este grupo temático. En su lugar, profundiza en reglas de precisión, consistencia estructural, corrección geométrica y métricas de calidad que impulsan la precisión en visión por ordenador. Para repasar los fundamentos de la visión por ordenador, puede consultar los materiales del curso de UC Berkeley, que ofrecen una base útil sobre modelos convolucionales.
Por qué la precisión técnica importa en la anotación de imágenes
La anotación de imágenes produce la estructura que los modelos utilizan durante el aprendizaje supervisado. Sin anotaciones precisas, las redes neuronales tienen dificultades para aprender la forma, la ubicación o el significado semántico real de los objetos. La precisión importa porque los modelos dependen de límites alineados con los píxeles y de una semántica de clases consistente para identificar patrones. Incluso pequeñas variaciones en el estilo de anotación introducen ruido que afecta a las actualizaciones de gradiente y debilita la generalización.
Una idea importante es que el entrenamiento del modelo es sensible a la geometría de la anotación. Cuando los anotadores dibujan cajas delimitadoras demasiado holgadas, el modelo aprende límites ambiguos y puede predecir cajas que se extienden más allá de los objetos reales. Este comportamiento es habitual en modelos de detección entrenados con conjuntos de datos donde la rigidez de las cajas no es consistente. De forma similar, las máscaras de segmentación que no capturan contornos finos producen una comprensión borrosa o imprecisa de los bordes de los objetos. Estos errores se propagan a través de las capas convolucionales y limitan la capacidad del modelo para diferenciar características sutiles.
La precisión técnica no es meramente estética. Los modelos entrenados con anotaciones débiles requieren más datos para alcanzar el mismo nivel de precisión y son más propensos a errores cuando se implementan en nuevos entornos. La precisión también afecta a la separación de clases, especialmente en tareas de granularidad fina. Cuando las anotaciones se desvían de las formas esperadas o incluyen píxeles de fondo irrelevantes, la representación del modelo se vuelve inestable. Por eso los equipos experimentados aplican reglas de anotación estrictas y mantienen un proceso de revisión riguroso, para asegurar que las anotaciones respalden el comportamiento deseado del modelo.
Diseñar formatos de anotación para distintos tipos de modelos
La primera decisión técnica en la anotación de imágenes es elegir el formato de anotación correcto. Cada modelo de visión por ordenador se apoya en estructuras geométricas que coinciden con su espacio de salida. Comprender estas relaciones ayuda a garantizar que los datos anotados respalden un entrenamiento eficiente y preciso.
Cajas delimitadoras para detectores
Las cajas delimitadoras proporcionan una localización espacial general y se utilizan ampliamente en la detección de objetos. Detectores como YOLO y Faster R-CNN dependen de las coordenadas de las cajas delimitadoras tanto durante el entrenamiento como durante la inferencia. Para que las cajas delimitadoras sean eficaces, las coordenadas deben encerrar el objeto de forma ajustada. Las cajas holgadas enseñan al modelo extensiones de objeto inexactas, lo que provoca una mala localización y un aumento de falsos positivos. Los anotadores deben asegurarse de que las cajas se ajusten estrechamente a los límites del objeto sin recortar ninguna de sus partes, lo que requiere atención cuidadosa e interpretación consistente.
Polígonos para el detalle de los límites
Las anotaciones con polígonos delinean los límites de los objetos mediante múltiples vértices. Se utilizan cuando las formas de los objetos son irregulares o cuando los detalles finos influyen en la precisión del modelo. La precisión de los polígonos afecta a cómo los modelos de segmentación o de contorno aprenden la información de forma. Los vértices mal colocados distorsionan la geometría real del objeto y hacen que los modelos aprendan contornos inexactos. Dado que la complejidad del polígono afecta al aprendizaje del modelo, los equipos deben determinar cuántos puntos son adecuados para distintos tipos de objetos. Un exceso de puntos aumenta el tiempo de anotación, mientras que una cantidad insuficiente reduce la precisión de los límites.
Máscaras de segmentación semántica y de instancias
Las máscaras a nivel de píxel representan la forma de anotación más detallada, ya que asignan una clase a cada píxel. Estas máscaras se utilizan en modelos de segmentación semántica y segmentación de instancias. Las máscaras de píxeles permiten que los modelos aprendan límites detallados, pero requieren una consistencia estricta. Las variaciones en la suavidad de la máscara, el grosor del objeto o la curvatura de los bordes introducen distorsiones sutiles que afectan a las predicciones posteriores. Los anotadores deben seguir directrices claras sobre cómo interpretar límites suaves, sombras y bordes borrosos para mantener la consistencia a nivel de píxel.
Puntos clave para postura y estructura
Los puntos clave representan ubicaciones específicas en un objeto. Son esenciales para la estimación de pose humana, el análisis facial y las tareas de reconocimiento estructural. Los puntos clave deben colocarse con alta precisión porque las inexactitudes producen desviaciones significativas en las predicciones del modelo. Deben seguir una interpretación anatómica consistente, especialmente en tareas de pose humana. El modelo aprende relaciones espaciales entre puntos clave, por lo que una colocación inconsistente debilita la comprensión estructural y aumenta la varianza de las predicciones.
Los formatos de anotación definen el comportamiento del modelo. Elegir la estructura correcta y aplicarla de forma consistente es esencial para construir conjuntos de datos alineados con el objetivo de entrenamiento previsto.
Reglas de precisión para la geometría de la anotación
Una geometría precisa garantiza que las anotaciones respalden de manera eficaz a los modelos de aprendizaje automático. Varias reglas guían la creación de anotaciones geométricas exactas. Estas reglas ayudan a los anotadores a mantener la consistencia incluso ante condiciones visuales difíciles.
Regla 1: minimizar el ruido de fondo
Las anotaciones deben excluir el fondo innecesario siempre que sea posible. En las cajas delimitadoras, dejar demasiado espacio vacío introduce píxeles irrelevantes que diluyen la señal visual. En las máscaras de segmentación, incluir fondo dentro de los límites del objeto produce formas de objeto inexactas. Minimizar el ruido de fondo mejora la claridad de las señales de entrenamiento y ayuda a los modelos a centrarse en la información visual relevante.
Regla 2: alinearse con la realidad visible
Las anotaciones deben reflejar solo lo que es visible en la imagen. Los anotadores no deben inferir partes ocultas del objeto salvo que las directrices exijan explícitamente esa inferencia. Una interpretación visual consistente ayuda a los modelos a aprender a partir de la distribución real de píxeles. Esta regla evita introducir límites imaginados o formas especulativas, que pueden distorsionar la percepción que el modelo tiene de la geometría del objeto.
Regla 3: seguir los contornos naturales
En polígonos y segmentación, las anotaciones deben seguir los contornos naturales del objeto. Los bordes suaves deben representarse con vértices o curvas de máscara colocados de forma adecuada. Los límites angulares o irregulares deben capturarse fielmente para preservar la forma real. Seguir los contornos con precisión ayuda a los modelos a aprender la geometría detallada de los objetos, algo esencial en tareas de alta precisión como la segmentación de imágenes médicas.
Regla 4: mantener un estilo de anotación consistente
La consistencia es un principio clave en la anotación. Los anotadores deben aplicar las directrices de manera uniforme en todas las imágenes. Las diferencias de estilo de anotación crean conjuntos de datos que mezclan varios tipos de geometría, lo que confunde el proceso de aprendizaje. Un estilo consistente garantiza que el modelo pueda apoyarse en patrones estables durante el entrenamiento y ayuda a reducir el ruido de entrenamiento.
Estas reglas forman la base del trabajo técnico de anotación. Al aplicarlas de manera sistemática, los anotadores producen conjuntos de datos que respaldan un entrenamiento del modelo estable y preciso.
Gestión de casos límite en la anotación de imágenes
Los casos límite aparecen cuando las imágenes contienen situaciones inusuales, ambiguas o visualmente complejas. Estos casos suponen un reto para los anotadores porque requieren criterio cuidadoso y adhesión estricta a las directrices. Abordarlos correctamente es esencial para mantener la consistencia del conjunto de datos y mejorar la robustez del modelo.
La oclusión es un caso límite común. Los objetos pueden quedar parcialmente ocultos detrás de otros, lo que dificulta determinar sus límites. En la mayoría de los sistemas de anotación, los anotadores etiquetan solo la parte visible del objeto. Dibujar formas inferidas introduce especulación que los modelos no pueden interpretar de forma fiable. Sin embargo, algunas aplicaciones, como la imagen médica o el análisis estructural, pueden requerir límites inferidos. En esos casos, las directrices especializadas deben explicar cuándo es aceptable la inferencia.
Las sombras y los reflejos también complican la anotación. Las sombras no deben confundirse con límites del objeto, y los reflejos no deben anotarse como objetos separados salvo que sean significativos para la tarea. Una interpretación correcta requiere capacitación y ejemplos claros en las directrices. Los anotadores deben aprender a identificar artefactos visuales y distinguirlos de la geometría real.
Las formas ambiguas presentan otro desafío. Por ejemplo, los objetos muy borrosos o las imágenes de baja resolución pueden dificultar la identificación de contornos precisos. Los anotadores deben seguir directrices que especifiquen cómo manejar esa incertidumbre. Crear reglas claras para casos ambiguos reduce el ruido y garantiza que el conjunto de datos sea adecuado para el entrenamiento.
Los casos límite requieren documentación cuidadosa. Cuando los anotadores encuentran un caso fuera de las directrices, deben escalarlo a supervisores para su aclaración. Con el tiempo, estos casos sirven para actualizar las directrices y mejorar la consistencia a largo plazo.
Métricas de consistencia para una anotación de alta calidad
La calidad de la anotación suele evaluarse mediante métricas de consistencia. Estas métricas cuantifican qué tan bien los anotadores siguen las directrices y qué tan estable es el conjunto de datos para el entrenamiento. Una consistencia sólida garantiza que los modelos aprendan de patrones claros y fiables, lo que mejora la precisión y reduce el ruido.
Una métrica importante es el acuerdo entre anotadores. Esta métrica mide con qué frecuencia varios anotadores producen los mismos resultados en la misma imagen. Un acuerdo alto indica que las directrices son claras y que las anotaciones reflejan la estructura visual real. Un acuerdo bajo sugiere ambigüedad o interpretación inconsistente, lo que puede debilitar el rendimiento del modelo. Medir el acuerdo con regularidad ayuda a identificar necesidades de capacitación y mejoras en las directrices.
Otra métrica es la precisión de alineación geométrica. Esta métrica evalúa qué tan estrechamente coinciden las formas de anotación con los límites reales del objeto. En cajas delimitadoras, esto puede implicar medir qué tan ajustada está la caja. En máscaras de segmentación, métricas como la superposición de píxeles o la desviación de límites pueden evaluar la precisión. Una geometría consistente mejora el aprendizaje del modelo al reducir la variación de forma introducida por errores de anotación.
La consistencia en la distribución de clases también es importante. La aplicación inconsistente de etiquetas de clase produce datos de entrenamiento inestables y aumenta los errores de clasificación. Al supervisar el uso de clases en todo el conjunto de datos, los equipos pueden detectar clases mal etiquetadas o patrones de distribución desiguales. Un etiquetado de clases consistente respalda un comportamiento estable del modelo y reduce la confusión entre categorías visualmente similares.
Las métricas de calidad permiten a los equipos mantener el control de los procesos de anotación y garantizar que los conjuntos de datos sigan siendo fiables y adecuados para el aprendizaje automático. También facilitan la mejora continua mediante bucles de retroalimentación que refinan las directrices y los métodos de capacitación.
Cómo los errores de anotación afectan al aprendizaje del modelo
Los errores de anotación tienen un impacto significativo en el rendimiento del modelo. Incluso errores menores introducen ruido que altera las actualizaciones de gradiente y debilita los límites de decisión. Comprender cómo afectan al aprendizaje los distintos tipos de errores de anotación ayuda a los equipos a priorizar los esfuerzos de control de calidad.
Los errores de localización ocurren cuando las cajas delimitadoras son demasiado holgadas, demasiado ajustadas o están desalineadas. Las cajas holgadas diluyen las señales espaciales al incluir píxeles de fondo irrelevantes. Las cajas demasiado ajustadas que recortan el objeto distorsionan su apariencia y hacen que el modelo interprete mal la forma. La desalineación reduce la capacidad de los modelos para predecir con precisión la ubicación del objeto, lo que produce un mayor error de localización durante la inferencia.
Los errores de segmentación afectan a las predicciones a nivel de píxel. Los bordes irregulares o las formas inconsistentes producen máscaras borrosas o inexactas. Estos errores se propagan a través de los modelos de segmentación y reducen la precisión de los límites. En tareas como la imagen médica o la robótica, la precisión de la segmentación es crucial, y los errores pueden conducir a decisiones incorrectas o comportamientos inseguros.
Los errores de clasificación introducen ruido semántico. Etiquetar incorrectamente clases visualmente similares confunde al modelo y reduce su capacidad para diferenciar entre categorías. Este problema es especialmente importante en tareas de clasificación de granularidad fina, donde las diferencias sutiles importan. La precisión del modelo puede disminuir de forma marcada cuando los límites de clase no están claros o se aplican de manera inconsistente.
Comprender los tipos de error ayuda a los equipos a adaptar las estrategias de control de calidad y a reducir el impacto de los problemas de anotación en el rendimiento del modelo.
Técnicas para mantener la consistencia de la anotación
Mantener la consistencia de la anotación es esencial para producir conjuntos de datos de alta calidad. Varias técnicas ayudan a los anotadores a mantenerse alineados con las directrices y a reducir la variabilidad. Estas técnicas mejoran la fiabilidad del conjunto de datos y respaldan un entrenamiento más estable.
Las sesiones periódicas de calibración ayudan a los anotadores a sincronizar su comprensión de las directrices. Durante estas sesiones, los equipos revisan imágenes difíciles, debaten casos ambiguos y refinan las reglas de interpretación. La calibración garantiza que todos los anotadores apliquen los mismos criterios de decisión en todo el conjunto de datos.
Las revisiones puntuales y auditorías proporcionan retroalimentación sobre la calidad de la anotación. Los supervisores revisan una muestra de imágenes anotadas para evaluar el cumplimiento de las directrices. Una retroalimentación constructiva ayuda a los anotadores a mejorar su técnica y mantener la consistencia a largo plazo. Las auditorías también ayudan a identificar problemas sistemáticos que pueden requerir actualizaciones de las directrices.
Las bibliotecas de referencia respaldan la toma de decisiones consistente. Estas bibliotecas consisten en ejemplos anotados que muestran cómo manejar casos comunes e inusuales. Los anotadores pueden consultar la biblioteca cuando tengan dudas, lo que reduce la probabilidad de interpretaciones inconsistentes. La biblioteca de referencia crece a medida que surgen nuevos casos, mejorando la calidad general de las directrices.
La colaboración entre anotadores y expertos de dominio fortalece la consistencia. Los expertos aportan conocimiento sobre estructuras visuales complejas, especialmente en campos como la atención sanitaria o la inspección industrial. Sus aportes ayudan a los anotadores a comprender características críticas y a anotar con mayor precisión. Esta colaboración mejora tanto la calidad del conjunto de datos como el rendimiento del modelo.
Cómo la anotación de imágenes mejora la generalización del modelo
La anotación de imágenes de alta calidad favorece una fuerte generalización del modelo al crear patrones estables en los datos de entrenamiento. Los modelos aprenden características a partir de ejemplos anotados, y estas características les ayudan a adaptarse a nuevos entornos. Una mejor anotación produce patrones más claros que los modelos pueden aprender con mayor eficacia, lo que aumenta la robustez y reduce el sobreajuste.
Cuando las anotaciones son precisas, los modelos aprenden representaciones espaciales y semánticas exactas. Estas representaciones ayudan a que los modelos funcionen bien incluso cuando cambian las condiciones visuales. Por ejemplo, las anotaciones de límites consistentes permiten a los detectores identificar objetos en distintas condiciones de iluminación o perspectiva. De forma similar, las máscaras de segmentación que siguen los contornos con precisión mejoran la capacidad del modelo para interpretar formas complejas en entornos desconocidos.
El etiquetado consistente de clases también respalda la generalización. Cuando las clases se aplican de forma uniforme en todas las imágenes, los modelos desarrollan asociaciones sólidas entre patrones visuales y categorías. Esta estabilidad permite que los modelos reconozcan clases incluso cuando su apariencia varía. En tareas de granularidad fina, la anotación consistente es especialmente importante porque pequeñas inconsistencias pueden afectar de forma significativa al rendimiento del modelo.
La calidad de la anotación afecta a la generalización más que el tamaño del conjunto de datos por sí solo. Los conjuntos de datos grandes con anotaciones débiles pueden rendir peor que conjuntos más pequeños con etiquetado preciso. Invertir en calidad de anotación mejora la fiabilidad del modelo, especialmente en entornos reales donde las condiciones son impredecibles.
Crear directrices de anotación para la precisión técnica
Las directrices de anotación proporcionan la base de la precisión técnica. Definen cómo los anotadores interpretan características visuales, aplican reglas geométricas y resuelven la ambigüedad. Unas directrices de alta calidad mejoran la consistencia del conjunto de datos y respaldan un entrenamiento eficaz del modelo.
Las directrices deben comenzar con definiciones de clase claras. Cada clase debe incluir texto descriptivo y ejemplos visuales. Esta claridad ayuda a los anotadores a distinguir entre categorías similares y reduce los errores de clasificación. Los ejemplos visuales son especialmente importantes porque muestran cómo aparecen las clases en distintas condiciones.
Las reglas de límites especifican cómo deben interpretar los anotadores los bordes de los objetos. Estas reglas abordan cuestiones como oclusión, sombras, reflejos y límites borrosos. Al documentar el comportamiento esperado en estos escenarios, las directrices reducen la variación en la anotación geométrica. La claridad de los límites es esencial para tareas de segmentación, donde la precisión de píxel influye en la exactitud del modelo.
Los estándares geométricos garantizan que las anotaciones sigan formas consistentes. Las directrices deben especificar el ajuste mínimo de las cajas, la colocación de vértices en polígonos, la suavidad de las máscaras y la alineación de puntos clave. Estos estándares ayudan a los anotadores a producir formas estables que respaldan el aprendizaje del modelo. Con el tiempo, los estándares geométricos pueden evolucionar a medida que los modelos se vuelven más avanzados.
Los procedimientos de escalación ayudan a anotar casos complejos o ambiguos. Cuando los anotadores encuentran escenarios no cubiertos por las directrices, deben consultar a supervisores o expertos de dominio. Estas conversaciones refinan las directrices y aumentan la precisión de la anotación en todo el conjunto de datos. Las directrices deben actualizarse con regularidad para incorporar las lecciones aprendidas del trabajo real de anotación.
Evaluar la calidad técnica de conjuntos de datos anotados
La evaluación técnica garantiza que un conjunto de datos esté listo para el entrenamiento del modelo. Evaluar la calidad de la anotación requiere análisis cuantitativo y cualitativo. Las métricas cuantitativas identifican patrones de inconsistencia, mientras que la revisión cualitativa asegura que la interpretación visual se alinee con las directrices.
La evaluación cuantitativa implica medir precisión, consistencia y alineación geométrica. El acuerdo entre anotadores mide la consistencia entre distintos anotadores. El ajuste de las cajas, la precisión de los límites y la suavidad de las máscaras miden la calidad geométrica. El análisis del uso de clases ayuda a detectar patrones de clasificación errónea. Una alta consistencia en estas métricas indica que el conjunto de datos respalda un entrenamiento fiable del modelo.
La evaluación cualitativa implica una revisión manual por parte de expertos. Revisar ejemplos anotados ayuda a identificar problemas sutiles que las métricas pueden pasar por alto. Los expertos evalúan si las anotaciones reflejan la estructura visual real y si las directrices se siguen correctamente. Esta revisión es esencial en dominios como la atención sanitaria y la inspección industrial, donde errores menores de anotación pueden tener consecuencias significativas.
La evaluación de calidad debe realizarse durante todo el proceso de anotación, no solo al final. La evaluación continua ayuda a identificar problemas de forma temprana y permite a los equipos refinar las directrices según sea necesario. Este proceso iterativo mejora la fiabilidad del conjunto de datos y reduce el riesgo de retrabajo a gran escala.
Direcciones futuras en la anotación técnica de imágenes
Los avances en visión por ordenador siguen influyendo en las prácticas de anotación. Aunque la anotación completamente automatizada sigue siendo poco realista para tareas complejas, los métodos híbridos son cada vez más comunes. Estos métodos combinan sugerencias automáticas con experiencia humana para acelerar la anotación sin perder calidad.
Las herramientas de anotación asistida por IA generan cajas, máscaras o puntos clave preliminares. Los anotadores revisan y corrigen estas sugerencias, lo que reduce de forma significativa el tiempo de anotación. Los modelos mejoran a medida que reciben retroalimentación, lo que les permite generar sugerencias más precisas con el tiempo. Este enfoque funciona especialmente bien en dominios con estructura predecible.
El aprendizaje autosupervisado reduce la necesidad de conjuntos de datos completamente anotados, pero las muestras anotadas siguen siendo esenciales para la calibración y la validación. La supervisión débil permite que los modelos aprendan a partir de etiquetas ruidosas, complementadas con pequeños conjuntos de anotaciones muy precisas para su corrección. El aprendizaje activo identifica las imágenes que aportan mayor valor de entrenamiento, reduciendo el volumen de anotación y preservando la precisión.
Las herramientas de anotación específicas por dominio respaldan casos de uso especializados. Las plataformas de anotación de imágenes médicas incluyen herramientas de segmentación adaptadas a la radiología. Las herramientas de anotación geoespacial respaldan la creación de polígonos para cartografía a gran escala. Estas herramientas aumentan la velocidad y la calidad de la anotación al proporcionar capacidades alineadas con las necesidades del dominio.
Una fuente útil para estudiar estas tendencias es la investigación en visión de la Universidad Técnica de Múnich:
https://vision.in.tum.de
El futuro de la anotación técnica implica la colaboración entre la experiencia humana y las herramientas inteligentes. El criterio humano sigue siendo esencial, especialmente en dominios complejos o de alto riesgo.
Reflexiones finales
La anotación de imágenes es una disciplina técnica que desempeña un papel crítico en la visión por ordenador. Una anotación de alta precisión proporciona a los modelos señales de entrenamiento exactas y consistentes. La estructura geométrica y semántica de las anotaciones afecta a la dinámica de aprendizaje e influye en el rendimiento del modelo en muchas tareas. Al seguir reglas técnicas de precisión, mantener la consistencia, gestionar eficazmente los casos límite y utilizar directrices sólidas, los equipos pueden crear conjuntos de datos que produzcan modelos fiables y generalizables.
Este artículo presentó una guía detallada y orientada a especialistas sobre cómo hacer correctamente la anotación de imágenes. Se centró en principios técnicos en lugar de definiciones introductorias, con una diferenciación clara respecto a los artículos anteriores de este grupo temático. Estos principios son esenciales para construir sistemas robustos de visión por ordenador que funcionen de manera consistente en entornos reales.
¿Busca crear datos de entrenamiento de alta precisión para visión por ordenador?
Si su proyecto requiere orientación experta sobre precisión de anotación, calidad geométrica o consistencia del conjunto de datos, nuestro equipo puede ayudar. DataVLab respalda flujos de trabajo complejos de visión por ordenador con máscaras detalladas, polígonos, puntos clave y anotaciones visuales de alta calidad. Puede contactarnos en cualquier momento para analizar su conjunto de datos, solicitar una revisión técnica o explorar formas de mejorar la fiabilidad de su modelo de visión por ordenador.
