Drones, datos y respuesta a desastres: una alianza perfecta 🌍
Los desastres naturales y las crisis humanitarias están aumentando tanto en frecuencia como en intensidad. Desde inundaciones e incendios forestales hasta terremotos y desplazamientos masivos, estos eventos dejan tras de sí el caos y una necesidad imperiosa de conocer la situación en tiempo real.
Tradicionalmente, los socorristas se basaban en estudios terrestres o datos satelitales. Sin embargo, estos enfoques suelen ser:
- Demasiado lento
- Demasiado amplio
- O inaccesible en tiempo real
Ahí es donde drones entra. Ligeros, portátiles y capaces de navegar por terrenos difíciles o bloqueados, los drones pueden ofrecer imágenes aéreas de alta resolución en cuestión de minutos. Y con la anotación adecuada, estas imágenes se convierten en un campo de entrenamiento para Modelos de IA que:
- Detecta a los supervivientes en los escombros o el agua
- Evalúe la integridad del edificio y los niveles de inundación
- Identifique carreteras bloqueadas y rutas de acceso abiertas
- Analice el movimiento de la población en los campos de refugiados
Organizaciones como UNOSAT, Médicos Sin Fronteras (MSF), y el Cruz Roja ya han incorporado los drones a sus conjuntos de herramientas para situaciones de crisis. Pero para que los drones sean realmente inteligentes, necesitan una cosa: datos anotados.
Contexto del caso: Cuando la IA se enfrenta a la urgencia humanitaria 🚨
Este estudio de caso tiene su origen en una colaboración entre un laboratorio de inteligencia artificial centrado en la ayuda humanitaria y una organización sin fines de lucro que cartografía con drones que trabaja en las regiones propensas a los tifones del sudeste asiático. El proyecto tenía un objetivo claro:
Utilice imágenes de drones anotadas con clases precisas y específicas para cada crisis para entrenar modelos de IA capaces de soportar toma de decisiones automatizada durante los desastres.
Casos de uso cubiertos:
- Cartografía y búsqueda y rescate de inundaciones después de un ciclón
- Clasificación de los daños causados por los terremotos en pueblos remotos
- Detección de obstáculos en la carretera para la entrega de ayuda en la última milla
- Búsqueda térmica de supervivientes por la noche
- Supervisión de la instalación y la expansión de los refugios de emergencia en los campamentos
Con miles de imágenes de drones recopiladas en tiempo real, el mayor obstáculo pasó a ser: ¿cómo convertimos estos datos en inteligencia de forma rápida?
Alcance del conjunto de datos: Aerial Eyes on the Ground 🛰️
Las imágenes de los drones abarcaron 17 zonas de desastre en el transcurso de un año, que incluyen:
- Zonas de inundación posteriores al tifón en Myanmar y Filipinas
- Pueblos afectados por el terremoto en Nepal
- Campamentos de desplazados en el norte de Siria
- Zonas de incendios forestales en Grecia y Chile
Especificaciones de drones y formatos de captura:
- Resolución: imágenes fijas de 4K y fotogramas de vídeo de 1080p
- Altitud de vuelo: 20—100 metros
- Modalidades: RGB, térmica e infrarrojo cercano (NIR)
- Selección de fotogramas: muestreo inteligente de 1 a 3 fps durante las misiones en vivo
En total, más 120.000 imágenes se seleccionaron para su anotación, capturando diferentes entornos, condiciones climáticas y de iluminación, desde escombros bañados por el sol hasta campos de refugiados bañados por la lluvia.
Desafíos únicos a la hora de anotar imágenes de drones en zonas de crisis ⚠️
Anotar imágenes de drones para uso humanitario es diferente a etiquetar productos de tráfico urbano o comercio electrónico. Hay mucho en juego, las imágenes son caóticas y la información requerida es matizada. Algunos de los principales desafíos a los que nos enfrentamos incluyen:
1. Alta complejidad visual
Las escenas de los desastres son intrínsecamente desordenadas: escombros superpuestos, techos derrumbados, inundaciones fangosas, árboles caídos, pertenencias dispersas y movimientos borrosos. Los objetos de interés (por ejemplo, una persona saludando con la mano o un automóvil sumergido) suelen aparecer parcialmente visibles o muy camuflados.
2. Modalidades múltiples
Las imágenes térmicas requieren una interpretación especializada. Por ejemplo, una señal térmica humana puede confundirse con una superficie humeante. Los anotadores tenían que estar capacitados para diferenciarlos en los contextos de rescate nocturno.
3. Ambigüedad de clase
¿Es una persona de pie o un poste de madera? ¿Un refugio destruido o una pared derrumbada? En las zonas de desastre, los límites de clase se difuminan. Las directrices claras y los ejemplos de referencia del mundo real se volvieron esenciales.
4. Presión temporal
Algunas zonas requerían datos anotados en 48 horas para su despliegue en los sistemas de IA utilizados por las ONG. Teníamos que mantener el equilibrio velocidad, precisión y garantía de calidad — todo ello bajo el contrarreloj.
5. Comprensión cultural y contextual
Reconocer el diseño de un campo de refugiados sirios o los materiales tradicionales para techar en una aldea nepalí añadió otro nivel de complejidad. El contexto geográfico y arquitectónico se incorporó a las guías de capacitación.
Flujo de trabajo de anotación: del caos a la claridad
A pesar de los desafíos, establecimos un proceso de anotación simplificado que permitió obtener resultados de alta calidad a gran Scale AI.
Configuración previa a la anotación
- Limpieza y deduplicación de datos (se eliminaron los marcos borrosos y superpuestos)
- Geoetiquetar la incrustación de metadatos para el contexto espacial
- Superposición de mapas de referencia para conectar vistas aéreas con geografías conocidas
Definiciones de clases (descripción general simplificada)
Definimos 25 clases personalizadas, que incluye:
- Persona visible (de pie, acostada, saludando)
- Estructura colapsada
- Carretera bloqueada
- Escombros flotantes
- Zona de entrega de ayuda (áreas abiertas despejadas)
- Refugio de emergencia (tienda de campaña, lona, casa improvisada)
- Columna de fuego o humo
- Vehículo (ambulancia, civil, marcado por una ONG)
Proceso de anotación
- Cuadros delimitadores y máscaras de segmentación usado para clases clave
- Bucles de retroalimentación de los anotadores en tiempo real
- Ayudas contextuales (p. ej., paneles de comparación infrarrojo-RGB)
- Control de calidad consensuado con al menos dos revisores por imagen
Métricas de velocidad y precisión
- Tiempo medio de anotación por imagen: 64 segundos
- Precisión (revisada por control de calidad): 95,1% de acuerdo entre los anotadores
- Tiempo de entrega (lote): < 72 horas desde la imagen hasta el conjunto de datos preparado para la IA
Entrenamiento de la IA: dar sentido a la crisis a través de modelos 🤖
Con los conjuntos de datos anotados en la mano, la siguiente fase consistió en entrenar modelos de detección y segmentación de objetos capaces de realizar inferencias en tiempo real sobre el terreno.
Modelos utilizados:
- YoloV8 (para detección de objetos)
- Segmenta cualquier cosa (SAM) para mejorar la segmentación
- CNN personalizadas capacitadas para la clasificación de señales térmicas
Métricas de rendimiento del modelo
- Detección de personas en RGB: 93,7% mAP
- Detección de personas en condiciones térmicas: 86,9% mAP
- Identificación de estructuras colapsadas: Precisión del 81,2%
- Detección de zona de caída de ayuda: Precisión del 94,3%
Posteriormente, ONG asociadas implementaron modelos de IA entrenados con estos datos anotados de drones en dispositivos periféricos portátiles y computadoras portátiles listas para el campo para ayudar en mapeo en vivo y toma de decisiones.
El impacto humano: resultados reales sobre el terreno 💡
La IA no solo tiene que ver con las métricas, sino con el impacto. Así es como los datos anotados de los drones se convirtieron en resultados que salvan vidas:
✔️ Ubicación más rápida de los supervivientes
La detección térmica ayudó a identificar a 14 supervivientes atrapados en casas derrumbadas en Nepal en cuestión de horas, durante la respuesta al terremoto de 2024.
✔️ Gotas de ayuda más inteligentes
Los equipos de ONG en Myanmar utilizaron mapas de IA anotados para encontrar zonas planas y de gota seca, lo que redujo las entregas fallidas de suministros 40% durante las inundaciones monzónicas.
✔️ Navegación más segura
En Siria, la detección automatizada de bloqueos de carreteras ayudó a los convoyes humanitarios a desviarse en tiempo real, evitando zonas inseguras y ahorrando hasta 3 horas por ruta.
✔️ Mejor planificación del campamento
En Grecia, el análisis del diseño de los campamentos a partir de vistas aéreas permitió a los organismos de la ONU optimizar la distribución de las tiendas de campaña y mejorar el acceso al agua durante más de 2.000 personas desplazadas.
Estos resultados subrayan una verdad poderosa: cada etiqueta importa cuando hay vidas en juego.
Lecciones para el futuro: ampliar lo que funciona
Tras anotar más de 100 000 fotogramas en distintos continentes y crisis, esto es lo que hemos aprendido:
- Human-in-the-Loop es esencial: Incluso con modelos sólidos, la supervisión humana garantiza la precisión contextual.
- El geo-contexto es oro: La vinculación de las anotaciones al SIG y a las coordenadas del mundo real añade un nivel fundamental de usabilidad.
- Los datos térmicos deben manejarse de manera diferente: Los anotadores necesitan una formación específica para las modalidades no visuales.
- El tiempo para etiquetar importa: La creación de canales de respuesta rápida es tan importante como la precisión en los escenarios humanitarios.
Ahora estamos creando modelos de preetiquetado automatizados y canales de colaboración colectiva para acelerar la anotación de emergencia sin sacrificar la precisión.
Qué permiten los datos anotados en Disaster Zones 🌐
La anotación de alta calidad transforma los datos de los drones en:
- Mapas de crisis para centros de coordinación
- Rutas de navegación autónomas para drones y convoyes
- Calificación de la gravedad de los daños para la financiación y la reconstrucción
- Detección de zonas de riesgo antes de que llegue la próxima tormenta
Cuando la anotación se hace correctamente, se convierte en infraestructura invisible detrás de la acción que salva vidas.
Construyamos una IA humanitaria que funcione donde más importa 🤝
En DataVLab, creemos que los datos pueden impulsar la acción, especialmente cuando cada segundo cuenta. Si estás desarrollando herramientas de inteligencia artificial para la respuesta humanitaria, estamos aquí para ayudarte a anotar los datos de tus drones de forma precisa, rápida y teniendo en cuenta el impacto en el mundo real.
Hemos apoyado proyectos de anotación en zonas de crisis de los cinco continentes y entendemos el equilibrio entre urgencia, calidad y empatía.
👉 Ponte en contacto con nosotros y copilotemos tu próxima misión humanitaria con datos que rindan frutos.
