Los drones capturan superficies extensas desde arriba y alimentan aplicaciones que van desde el monitoreo de tránsito hasta la evaluación de desastres, la inspección de infraestructura, el seguimiento de fauna y el análisis de espacios públicos. La Administración Federal de Aviación de Estados Unidos contabiliza más de 837.000 drones registrados y sobre 481.000 pilotos remotos certificados, una escala que vuelve inviable revisar ese material a ojo.
La visión por computador puede convertir esas imágenes en información estructurada localizando personas, vehículos y otros objetos. El problema es que la detección aérea es difícil, y por eso la detección de objetos pequeños en imágenes de dron se trata como una disciplina aparte. A mayor altura de vuelo, más chicos los objetos, y a eso se suman el redimensionado, las escenas congestionadas, la oclusión, las sombras, el desenfoque por movimiento y la similitud entre siluetas de vehículos.
¿De qué depende que funcione?
El éxito no descansa solo en el modelo, sino en la consistencia de las anotaciones, la calidad de imagen, el preprocesamiento, la resolución de entrenamiento y el flujo de inferencia. Roboflow los ordena en cuatro palancas.
La resolución de entrenamiento va primero. Una persona en un cuadro de dron puede ocupar 15 píxeles antes del preprocesamiento. Si ese cuadro se reduce a una resolución de entrenamiento pequeña, la persona queda en 4 píxeles, con los que el modelo casi no tiene nada que aprender. Una resolución más alta preserva esos píxeles, a costa de memoria y tiempo de entrenamiento.
El troceado en inferencia suele ser la mayor ganancia individual. En lugar de encoger un cuadro de alta resolución para que entre en el modelo, se divide en mosaicos superpuestos, se ejecuta la detección en cada uno a máximo detalle y se fusionan los resultados. Esa es la técnica SAHI, disponible en Roboflow Workflows como bloque Image Slicer. Cuesta varias pasadas de inferencia por cuadro, lo que importa en video en tiempo real, y recupera objetos que el redimensionado habría borrado.
La arquitectura es la tercera palanca. Los detectores basados en anclas comparan los objetos contra tamaños de recuadro preestablecidos, y los objetos muy pequeños encajan mal en esos moldes. Detectores tipo transformador como RF-DETR predicen los objetos en forma directa, sin anclas ni una etapa separada de supresión de no máximos, lo que ayuda justo en las condiciones que genera la imagen de dron.
La cuarta palanca, la calidad de la anotación, es la más barata de mejorar y la más fácil de arruinar. Un recuadro que sobra por tres píxeles no importa en un camión. Sobre un peatón de 12 píxeles es un error del 25% que el modelo aprende como verdad.
¿Cómo se arma el conjunto de datos?
El tutorial usa el conjunto Aerial Person Detection de Roboflow Universe, con cerca de 7.000 imágenes aéreas de calles, cruces, edificios, peatones y varios tipos de vehículos vistos desde arriba. Sirve para este caso porque mezcla escalas: personas, bicicletas y motos ocupan áreas mínimas, mientras autos, buses, camiones y furgones aportan ejemplos mayores.
La estructura de nueve clases sigue el estándar del banco de pruebas VisDrone. Antes de entrenar hay que eliminar la clase de regiones ignoradas, que representa áreas ambiguas y no un objeto físico, y fusionar las clases people y pedestrian bajo un mismo nombre. Esa fusión deja la clase person con 120.302 anotaciones.
¿Con qué configuración se entrena?
En la pestaña de entrenamiento se elige RF-DETR en tamaño Small, con una división 70/15/15 entre entrenamiento, validación y prueba, orientación automática y redimensionado a 512 × 512.
Roboflow es explícito sobre el costo de esa decisión: entrenan a 512 × 512 porque es un tutorial y esa resolución mantiene el proceso rápido y barato, pero reducir un cuadro aéreo grande a 512 píxeles achica a un peatón ya pequeño hasta dejarlo en un puñado de píxeles, que es exactamente el problema que el artículo intenta resolver. Para trabajo en producción recomiendan subir la resolución de entrenamiento, agregar el bloque de troceado antes de la inferencia, o ambas cosas.
Del modelo al flujo completo
El proyecto se arma en dos capas conectadas. En la primera, el modelo RF-DETR identifica cada objeto de la imagen aérea y devuelve un recuadro y una etiqueta de clase, que los bloques de visualización dibujan sobre la foto.
En la segunda, un bloque de Python personalizado recibe las predicciones y cuenta los objetos por clase, calcula el total de personas, el total de vehículos y la clase de vehículo más frecuente. Recién ahí entra Gemini 2.5 Pro, que revisa la imagen anotada y produce una inspección visual breve. El reparto de tareas es deliberado: Python conserva la responsabilidad de los resultados numéricos, mientras el modelo de lenguaje describe patrones visibles como la distribución del tránsito, la aglomeración, la oclusión y los problemas de calidad de imagen.
La combinación tiene lectura directa para quien trabaja con drones en agricultura, minería o gestión de tránsito en Chile: el conjunto de datos es público, la arquitectura es abierta y el entrenamiento a 512 × 512 está pensado para correr sin una granja de GPU detrás. La decisión de fondo no es cuál modelo usar, sino cuánto presupuesto destinar a etiquetar bien antes de entrenar.
