Las mejores herramientas de reconocimiento de imágenes comparadas

Evaluamos las configuraciones predeterminadas de la API de Amazon Rekognition, Google Cloud Vision y Microsoft Azure IA Vision en 100 imágenes de 5 clases de objetos y comparamos sus precios y cobertura de funciones.

Resultados del benchmark de herramientas de reconocimiento de imágenes

Descripción general del rendimiento con IoU=0.5

Se evaluaron las métricas de rendimiento de tres plataformas de reconocimiento de imágenes con un umbral de intersección sobre unión (IoU) de 0.5, comparando los valores de mAP, puntuación F1, recall y precisión.

El mAP es la métrica de evaluación principal que se debe considerar para las tareas de detección de objetos, ya que proporciona una medida integral de la calidad de detección en distintos umbrales de confianza y clases de objetos.

Puede leer más sobre nuestra metodología de benchmark.

Precisión promedio (AP) por clase con IoU=0.5

Los tres servicios detectan personas de forma fiable, pero pierden precisión en los equipos de protección; los cascos muestran la caída más pronunciada.

Mientras que Amazon y Google muestran una precisión baja en la detección de guantes y gorros, Microsoft Azure IA Vision alcanza un 0 % de precisión en ambas categorías. Azure IA Vision no detecta objetos pequeños (menos del 5 % de la imagen) ni objetos muy próximos entre sí, lo que podría contribuir a la baja precisión observada en la detección de guantes y gorros.¹

Ninguno de los servicios puede detectar correctamente las mascarillas (0 % de precisión), lo que pone de manifiesto una carencia crítica en sus capacidades de reconocimiento de objetos cuando se utilizan con la configuración predeterminada y sin etiquetado personalizado.

Puede leer más sobre las limitaciones del reconocimiento de imágenes.

mAP en distintos umbrales de IoU [0.5:0.05:0.95]

A medida que los umbrales de IoU se endurecen de 0.5 a 0.95, el mAP disminuye en los tres servicios, pero a ritmos diferentes. Amazon Rekognition se mantiene mejor en todo el rango, lo que sugiere una alineación de las cajas delimitadoras más precisa que la de los otros dos servicios.

Factores potenciales que afectarían a las diferencias de rendimiento

Enfoque del entrenamiento del model y alcance del producto

• Amazon Rekognition incluye capacidades específicas relacionadas con EPP, lo que probablemente se traduce en una mejor cobertura de entrenamiento y representaciones de características para objetos como cascos y guantes.
• Google Cloud Vision y Azure IA Vision priorizan las tareas generales de comprensión de imagen (por ejemplo, OCR, puntos de referencia, marcas, detección web), lo que deja los EPP y objetos similares en un segundo plano en sus objetivos de entrenamiento.

Configuración predeterminada de la API y compensaciones entre precisión y recall

• Todos los servicios se evaluaron con la configuración predeterminada, que normalmente prioriza una alta precisión para minimizar los falsos positivos.
• Esta decisión de diseño genera puntuaciones de precisión altas en todos los proveedores, pero un recall significativamente menor, sobre todo en objetos menos prominentes.

Limitaciones de la detección de objetos pequeños

• Los objetos como guantes, gorros y cascos suelen ocupar una fracción pequeña de la imagen, lo que dificulta su detección fiable.
• Azure IA Vision, que según la documentación rinde peor en objetos pequeños o muy próximos, muestra la degradación más pronunciada en estas categorías.

Taxonomía de etiquetas y mapeo de evaluación

• Las etiquetas específicas de cada proveedor tuvieron que asignarse a una taxonomía unificada de ground truth.
• Las detecciones válidas que usaban etiquetas no coincidentes o más granulares pueden haber quedado excluidas de la evaluación.

Ausencia de detección de mascarillas

• Ninguno de los servicios evaluados expone etiquetas de objetos relacionadas con mascarillas en sus APIs predeterminadas.
• Por lo tanto, los tres devolvieron una precisión del 0 % en mascarillas.

Sensibilidad de IoU y calidad de localización

• Las diferencias de rendimiento aumentan con umbrales de IoU más altos, donde se requiere una alineación más estricta de las cajas delimitadoras.
• Amazon Rekognition mantiene un mAP relativamente más alto en estos umbrales, lo que sugiere una mayor precisión de localización.

Metodología del benchmark de herramientas de reconocimiento de imágenes

Probamos el rendimiento sin personalización de estos proveedores (es decir, sin etiquetado personalizado) en casos reales.

Utilizamos 100 imágenes. Escalamos las imágenes a 512×512 píxeles conservando las regiones esenciales que contenían las instancias, ya que el dataset original tenía dimensiones variables.

Queremos volver a ejecutar esta prueba sin que los proveedores entrenen sus soluciones con el dataset. Por lo tanto, no revelamos el dataset que utilizamos para este benchmark.

Procesamos las respuestas de las APIs de los proveedores de servicios de la siguiente manera:

• Asignamos las etiquetas de los proveedores de servicios a las categorías de ground truth definidas en la tabla anterior. Las etiquetas de los proveedores que no coincidían con estas etiquetas de ground truth se excluyeron de la evaluación.
• Normalizamos los formatos de cajas delimitadoras de los distintos proveedores
• Calculamos el IoU entre las cajas predichas y las de ground truth
• Emparejamos las predicciones con la ground truth según el umbral de IoU
• Calculamos métricas: precisión, recall, F1 y AP por categoría
• Calculamos el mAP estilo COCO usando umbrales 0.5-0.95

A continuación, en la figura, se muestra un ejemplo de cálculo de IoU, precisión, recall y F1:

Métricas de benchmarking

Precisión

La precisión mide la exactitud de las predicciones positivas realizadas por el model. En el reconocimiento de imágenes, para una clase determinada (por ejemplo, «persona»), responde a la pregunta: «De todas las imágenes que el model etiquetó como que contenían una persona, ¿cuántas realmente la contenían?». Esto es crucial en escenarios donde los falsos positivos (etiquetar incorrectamente una imagen como positiva) resultan costosos.

Recall

El recall mide la exhaustividad de las predicciones positivas y responde a la pregunta: «De todas las imágenes que realmente contienen la clase, ¿cuántas identificó correctamente el model?». Esto es fundamental cuando pasar por alto una instancia positiva (falso negativo) es crítico.

Puntuación F1

La puntuación F1 es la media armónica de la precisión y el recall, y proporciona una medida equilibrada especialmente útil cuando hay una distribución desigual de las clases (por ejemplo, pocas imágenes de cascos en comparación con imágenes sin cascos). Es una métrica única que captura tanto los falsos positivos como los falsos negativos.

mAP

El mAP, o precisión promedio media, es una métrica que se utiliza principalmente en tareas de detección de objetos dentro del reconocimiento de imágenes. Evalúa la precisión del model en distintas clases promediando la precisión promedio (AP) de cada clase. La AP en sí es el área bajo la curva de precisión-recall, que se genera al variar el umbral de confianza de las detecciones.

Esta herramienta interactiva le permite comparar los resultados de detección entre proveedores usando imágenes de ejemplo del dataset. Utilice los botones superiores para seleccionar Amazon, Google, Microsoft o todos los proveedores. Active la ground truth con la casilla de verificación. Navegue entre las imágenes de prueba mediante los botones numerados de la izquierda. Los recuadros codificados por color muestran cada detección con sus puntuaciones de confianza.

Las mejores APIs de reconocimiento de imágenes

Amazon Rekognition

Amazon Rekognition incluye APIs dedicadas a la detección de EPP junto con la detección general de objetos y rostros, lo que le otorga una cobertura de etiquetas más amplia en clases como cascos y guantes que los otros dos servicios. Este alcance de producto es coherente con los resultados de AP por clase del benchmark.

Sus APIs de imagen se dividen en dos grupos:

• Grupo 1 (identificación facial): CompareFaces, IndexFaces y SearchFaces, utilizadas para la verificación de identidad y la búsqueda de rostros en colecciones de imágenes.
• Grupo 2 (análisis de contenido): DetectLabels (detección general de objetos), DetectModerationLabels, DetectText, RecognizeCelebrities y DetectPPE.

Se integra con el resto de AWS (S3 para almacenamiento, Lambda para procesamiento basado en eventos y SageMaker para el entrenamiento de models personalizados).

Google Cloud Vision

Google Cloud Vision superó el 89 % de precisión con IoU=0.5, el mismo umbral de precisión que los otros dos servicios, pero obtuvo un recall menor en objetos pequeños y equipos de protección. Su alcance de producto se orienta más a la comprensión general de imágenes que a la detección industrial: OCR, reconocimiento de puntos de referencia, identificación de logotipos y marcas, y Detección web (comparación de una imagen con imágenes indexadas públicamente).

Capacidades principales:

• Localización de objetos y detección de etiquetas
• OCR para texto impreso y manuscrito en varios idiomas
• Detección de puntos de referencia, logotipos y celebridades
• Detección web para búsqueda inversa de imágenes
• Entrenamiento de models personalizados mediante Vertex IA

Se integra con Cloud Storage, BigQuery y Google Workspace, y admite una gama más amplia de formatos de archivo que Rekognition (JPEG, PNG, GIF, BMP, WEBP, RAW, ICO, PDF, TIFF).

Microsoft Azure IA Vision

Microsoft Azure IA Vision ofrece análisis de imágenes, OCR, subtitulado de imágenes y un servicio independiente de eliminación de fondos. Su documentación señala que el detector de objetos no maneja de forma fiable los objetos pequeños o muy próximos, por lo que se orienta más a la comprensión general de imágenes y a la lectura de texto que a la detección detallada de objetos.

Las capacidades principales se dividen en dos grupos:

• Grupo 1 (detección de elementos visuales): etiquetado, rostros, detección de objetos, detección de marcas y puntos de referencia, recorte inteligente y OCR.
• Grupo 2 (salida con comprensión del lenguaje): descripción de imágenes, subtítulos densos y lectura completa (OCR de documentos).

Características diferenciadoras de los proveedores de servicios

API: Descripción general de precios

Creación de vision models personalizados

Las APIs alojadas como Amazon Rekognition, Google Cloud Vision y Microsoft Azure IA Vision devuelven predicciones a partir de un conjunto fijo de etiquetas definido por el proveedor. Cuando una clase de objeto necesaria no está en ese conjunto, o cuando la precisión en un dominio específico es demasiado baja, la alternativa es entrenar un model personalizado. Roboflow es un ejemplo que cubre este flujo de trabajo.

Roboflow

Roboflow es una plataforma de visión artificial que cubre la anotación de datos, el entrenamiento de models y el despliegue. Funciona con un model distinto al de las APIs de detección alojadas anteriores: los usuarios entrenan models con sus propios datasets etiquetados y ejecutan la inference en su propio hardware, en lugar de llamar a un endpoint gestionado. Este es el camino que siguen los equipos cuando las APIs predeterminadas en la nube no exponen etiquetas para una clase de objeto específica, como las mascarillas que obtuvieron un 0 % de precisión en los tres servicios evaluados.

Roboflow incluye tres componentes principales:

• RF-DETR: un model basado en transformers en tiempo real para la detección y segmentación de objetos, pensado para entradas de cámara y vídeo en directo.²
• AutoDistill: una herramienta que utiliza grandes foundation models para etiquetar automáticamente datasets de imágenes sin anotación manual.³
• Inference: un paquete de despliegue compatible con múltiples backends (ONNX, TensorRT, PyTorch), con ejecución en GPUs, CPUs o dispositivos perimetrales como NVIDIA Jetson a través de un servicio Dockerizado.⁴

Computación perimetral en el reconocimiento de imágenes

El reconocimiento de imágenes basado en la nube envía cada fotograma a un centro de datos remoto para su análisis. La computación perimetral ejecuta el model en el dispositivo que capturó el fotograma, de modo que el resultado (una etiqueta, una alerta, una marca) sale del dispositivo.

Cómo funciona la computación perimetral

En una configuración en la nube, las cámaras actúan como recopiladoras de datos y transmiten los fotogramas sin procesar; el model reside en el centro de datos. En una configuración perimetral, el dispositivo ejecuta la red neuronal localmente y transmite el resultado relevante: «persona detectada», «inventario bajo», «defecto encontrado».

Por qué es importante para el reconocimiento de imágenes

• Latencia: la inference local elimina el viaje de ida y vuelta a la nube, lo que es importante para vehículos autónomos, robots de fabricación y cualquier sistema que deba actuar sobre la predicción en milisegundos.
• Privacidad: las imágenes no salen del dispositivo, lo que es útil cuando se aplican requisitos de residencia de datos o del RGPD (imágenes médicas, CCTV en tiendas).
• Ancho de banda y coste: se suben los metadatos, no el vídeo completo, lo que reduce los costes de red y de API en la nube para despliegues de gran volumen.
• Funcionamiento sin conexión: los dispositivos perimetrales siguen funcionando cuando falla la red, lo que es necesario para los sistemas de seguridad y las instalaciones industriales remotas.

Ejemplos reales de edge IA en el reconocimiento de imágenes

Captur SDK en el dispositivo

El procesamiento en el dispositivo es la forma más común de edge IA en contextos móviles. Captur proporciona un SDK de verificación de imágenes en el dispositivo que ejecuta models de visión artificial localmente en dispositivos móviles en ~30ms, incluso sin conexión.⁵ El proveedor logístico GoBolt integró el SDK de Captur en su aplicación para conductores para la verificación de la prueba de entrega y registró una caída del 30 % en las reclamaciones de no entrega durante la primera semana.⁶

Ultralytics YOLO26

Ultralytics’ YOLO26 es un model de visión artificial de código abierto diseñado para dispositivos perimetrales y de bajo consumo. Su arquitectura completamente de extremo a extremo y gratis de NMS elimina pasos de posprocesamiento como la supresión no máxima, lo que reduce la latencia y mejora la exportabilidad a hardware perimetral, a la vez que admite detección de objetos, segmentación, clasificación y estimación de poses dentro de una única familia de models.⁷

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Transformers de visión en el reconocimiento de imágenes

Las APIs de reconocimiento de imágenes evaluadas aquí utilizan detectores basados en CNN. Los Vision Transformers (ViT) son una arquitectura alternativa que divide la imagen en parches de tamaño fijo (normalmente 16×16 píxeles) y procesa todos los parches en paralelo, lo que permite que el model relacione regiones distantes de la imagen desde la primera capa en lugar de construir ese contexto gradualmente mediante convoluciones apiladas.

En la detección de objetos, esto importa cuando la identidad de un objeto depende de la escena circundante (un gorro en una persona frente a un gorro en una estantería). Las CNN capturan esto mediante convoluciones apiladas; los ViT lo capturan mediante atención sobre todos los parches a la vez.

Los tres servicios en la nube de este benchmark ejecutan models basados en CNN en producción. Las arquitecturas híbridas CNN-Transformer están apareciendo en models de código abierto más nuevos (por ejemplo, el RF-DETR de Roboflow utiliza un backbone transformer DINOv2), pero las APIs en la nube de producción aún no han migrado.

Vision transformer models para el reconocimiento de imágenes

• Google ViT: el Vision Transformer original, entrenado en ImageNet para la clasificación de imágenes. Disponible en Hugging Face con pesos preentrenados.
• Swin Transformer: utiliza un mecanismo de ventana desplazada para capturar tanto el detalle global como el local, y se emplea para detección y segmentación.
• DINOv2 (Meta): model autosupervisado entrenado sin etiquetas manuales, que produce embeddings de imágenes de propósito general.
• Segment Anything Model (SAM): segmentador basado en ViT que puede aislar objetos con los que no ha sido entrenado.

Casos de uso del software de reconocimiento de imágenes

En el panorama digital actual, la visión artificial y las tecnologías de procesamiento de imágenes han transformado la forma en que las empresas aprovechan los datos visuales. Los algoritmos avanzados de clasificación de imágenes permiten herramientas sofisticadas de reconocimiento de imágenes que están remodelando las operaciones en todos los sectores.

Estas tecnologías de reconocimiento de imágenes combinan potentes enfoques de entrenamiento de models con interfaces intuitivas que permiten a los usuarios automatizar tareas visuales complejas. Desde soluciones de visión personalizada para necesidades empresariales específicas hasta sistemas de reconocimiento facial para seguridad, estas herramientas pueden identificar patrones, objetos y características dentro de las imágenes.

Inspección visual

El reconocimiento de imágenes permite la inspección visual automatizada en múltiples industrias. Estos sistemas identifican objetos, detectan características y verifican la compatibilidad mediante el análisis de datos visuales.

Por ejemplo, Chamberlain Group implementó Amazon Rekognition en su aplicación myQ, lo que permite a los usuarios capturar automáticamente imágenes del abre-puertas de garaje para comprobar la compatibilidad. Esta solución simplificada sustituyó un proceso manual complejo y aumentó significativamente las tasas de conexión de los usuarios.⁸

Procesamiento de documentos

OCR tecnología extrae texto de imágenes y documentos, automatizando la introducción de datos en varios idiomas. Los sistemas modernos pueden procesar texto manuscrito y diseños complejos, transformando los flujos de trabajo basados en papel y haciendo que los documentos sean buscables.

Por ejemplo, la aseguradora francesa LSA Courtage utiliza Google Cloud Vision API para reconocer texto de permisos de conducir y documentos de matriculación. Esta implementación de OCR redujo el tiempo de procesamiento de documentos en un 45 % por página y aumentó la productividad de los aseguradores en un 20 %, lo que les permite procesar 1.500 documentos al día.⁹

Puede consultar nuestro OCR benchmark para ver la precisión de las distintas herramientas de OCR para diferentes tipos de documentos.

Monitoreo agrícola

Los agricultores utilizan imágenes de drones con reconocimiento de imágenes para supervisar la salud de los cultivos, detectar enfermedades y optimizar el riego. Al identificar áreas de estrés en los cultivos antes de que aparezcan síntomas visibles, los agricultores pueden intervenir a tiempo y reducir el uso de recursos.

Por ejemplo, el Proyecto FarmBeats de Microsoft (ahora Azure Data Manager for Agriculture) utiliza sensores, drones y machine learning para permitir una agricultura basada en datos en entornos con energía y conectividad limitadas. El sistema ayuda a aumentar la productividad agrícola y a reducir costes combinando datos visuales con el conocimiento de los agricultores sobre sus tierras.¹⁰

Seguridad y vigilancia

Los sistemas de seguridad utilizan el reconocimiento facial y la detección de objetos para identificar actividades, controlar el acceso y localizar personas. Estos sistemas supervisan las transmisiones de vídeo y alertan al personal de posibles amenazas. Por ejemplo, Sun Finance utiliza Amazon Rekognition para verificar la identidad de los clientes comparando selfies con documentos de identidad, lo que acelera la verificación y previene el fraude al tiempo que amplía la inclusión financiera.¹¹

Moderación de contenido

Las plataformas de redes sociales utilizan el reconocimiento de imágenes para filtrar contenido inapropiado, como desnudos, violencia o imágenes gráficas, de las subidas de los usuarios. La generación de leyendas puede añadir una segunda capa al describir el contexto de la imagen que los clasificadores a nivel de píxel pasan por alto, por ejemplo detectando símbolos de odio en el fondo de una foto aparentemente benigna. Según AWS, el filtrado automático normalmente reduce el volumen que los moderadores humanos deben revisar al 1–5 % del total.¹²

Por ejemplo, CoStar Group utiliza Amazon Rekognition para la moderación de contenido y el análisis de vídeo de aproximadamente 150.000 cargas diarias de imágenes y vídeos en su plataforma inmobiliaria comercial. Esta solución de moderación de contenido analiza las imágenes, clasifica el contenido, detecta material no deseado y aprovecha la tecnología de subtitulado de imágenes para comprender el contexto, lo que ahorra tiempo y garantiza el cumplimiento y la alta calidad de los datos.¹³

Puede leer más sobre las aplicaciones del reconocimiento de imágenes.

Limitaciones de la tecnología de reconocimiento de imágenes

Reducción de detalle en objetos pequeños

Cuando los objetos aparecen pequeños en las imágenes, contienen menos píxeles, lo que da lugar a datos visuales limitados. Además, las CNN tienden a perder detalles finos importantes durante el procesamiento en las capas de reducción de muestreo, lo que dificulta considerablemente las capacidades de detección.

Detecciones omitidas

Los sistemas de reconocimiento de imágenes suelen favorecer los objetos más grandes tanto en la fase de entrenamiento como en la de análisis, lo que da lugar a una mayor frecuencia de objetos pequeños no detectados o falsos negativos.

Interferencia del fondo

Los objetos más pequeños son más vulnerables a quedar ocultos por el ruido visual, el desorden del fondo o los elementos superpuestos, lo que dificulta su identificación precisa. Incluso una oclusión parcial puede afectar de forma desproporcionada a los objetos pequeños, ya que de entrada tienen menos área distinguible.

Variabilidad de escala

Los objetos que aparecen a diferentes distancias o escalas plantean dificultades a los models que no están diseñados específicamente para detectar detalles finos en distintos tamaños de objeto.

Demandas computacionales

Las técnicas para mejorar la detección de objetos pequeños, como la extracción de características multiescala o las entradas de mayor resolución, requieren más potencia de procesamiento, lo que limita su aplicabilidad en tiempo real.

Sesgo de entrenamiento

Los datasets suelen estar poco representados en objetos pequeños o carecen de anotaciones suficientes para ellos, lo que reduce la generalización del model en estos casos en escenarios del mundo real.

Preguntas frecuentes

Cita este benchmark

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Las mejores herramientas de reconocimiento de imágenes comparadas}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/image-recognition-software}},
  note   = {AIMultiple. Recuperado el 17 de Junio de 2026}
}

Enlaces de referencia

1.

Object detection using Image Analysis 4.0 - Foundry Tools | Microsoft Learn

2.

RF-DETR — Real-Time Object Detection & Segmentation by Roboflow

Roboflow

3.

Distill Large Vision Models into Smaller, Efficient Models with Autodistill

Roboflow Blog

4.

About - Roboflow Inference

5.

Captur — Real-time Image AI and SDKs for Mobile Apps

6.

GoBolt Launches Next-Gen AI Proof of Delivery Technology with Captur — Captur Case Studies

Captur

7.

Ultralytics YOLO26 | Ultralytics

Ultralytics

8.

Creating a Visual Solution for Enhanced Customer Experience Using Amazon Rekognition with Chamberlain Group | Chamberlain Group Case Study | AWS

9.

Customer Stories for Gemini Enterprise and Google Cloud | Google Cloud

10.

FarmBeats: AI, Edge & IoT for Agriculture - Microsoft Research

11.

Sun Finance Case Study

12.

Moderating content - Amazon Rekognition

13.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluido el 60% de Fortune 500 cada mes.

El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.

A lo largo de su carrera, Cem se ha desempeñado como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario