Una definición sencilla de agrupamiento en visión artificial

8 Julio 2025

COMPARTIR TAMBIÉN

En visión artificial, la agrupación (pooling) se refiere a un proceso que condensa la información de las imágenes resumiendo detalles importantes de sus características, reduciendo el tamaño de los datos y facilitando su procesamiento por computadora. La agrupación ayuda a un sistema de visión artificial a seleccionar partes clave de una imagen, de forma similar a como se selecciona la pieza más clara de un rompecabezas para comprender la imagen completa. En visión artificial, la agrupación aumenta la velocidad y la precisión, lo cual es crucial para las tareas de aprendizaje automático profundo. Por ejemplo, los métodos de agrupación en sistemas de aprendizaje automático profundo de alto rendimiento han alcanzado tasas de precisión de hasta el 97.59 % en la detección de objetos, a la vez que reducen la complejidad espacial para un procesamiento más rápido. Estas ventajas hacen que la agrupación sea esencial para la visión artificial y para cualquier sistema moderno de visión artificial.

Puntos clave

La agrupación reduce el tamaño de los datos de imagen al conservar características importantes, lo que facilita su uso. modelos de visión por computadora más rápido y más eficiente.
La agrupación máxima y la agrupación promedio son métodos comunes que ayudan a los modelos a centrarse en los detalles clave y reducir el ruido para lograr una mayor precisión.
Agrupando capas mejorar la robustez del modelo ignorando pequeños cambios o ruido, lo que ayuda en tareas como la detección y clasificación de objetos.
Las técnicas de agrupación avanzadas se adaptan a diferentes tamaños de imágenes y combinan métodos para mejorar el rendimiento y la flexibilidad.
La agrupación es esencial en aplicaciones del mundo real, como imágenes médicas, vehículos autónomos y control de calidad industrial, para obtener resultados más rápidos y precisos.

Agrupación en visión artificial

¿Qué es el pooling?

Agrupación en visión artificial Describe un proceso en el que un sistema condensa la información de las imágenes resumiendo los detalles más importantes. Una capa de agrupación actúa como un filtro que escanea la imagen, seleccionando valores clave de regiones pequeñas. Esta operación reduce el tamaño de los datos, lo que facilita que los modelos de aprendizaje profundo procesen las imágenes eficientemente. En un sistema de visión artificial con agrupación, la agrupación espacial desempeña un papel fundamental al reducir las dimensiones espaciales de los mapas de características, conservando las características esenciales.

La agrupación de capas en modelos de aprendizaje profundo reduce el muestreo y agrega información de los mapas de características. Reduce la redundancia y la carga computacional, lo que ayuda al sistema a centrarse en las partes más relevantes de una imagen. En redes neuronales convolucionales, la agrupación reduce la altura y el ancho de los mapas de características, pero mantiene el número de canales. Este proceso aumenta la robustez del sistema ante pequeños cambios en la entrada y permite que las capas más profundas visualicen una mayor parte de la imagen.

La agrupación espacial se presenta en varias formas, como la agrupación máxima, la agrupación promedio y la agrupación suma. Cada método utiliza una regla diferente para resumir la información en cada región. La agrupación máxima selecciona el valor más alto, mientras que la agrupación promedio calcula la media. Estas técnicas de agrupación ayudan a los modelos de aprendizaje profundo a reducir el sobreajuste y la complejidad computacional, especialmente al trabajar con imágenes grandes.

Algunos modelos clásicos de aprendizaje profundo, como VGG-16 y AlexNet, utilizan capas de agrupación máxima para reducir progresivamente las dimensiones espaciales de las imágenes. Modelos avanzados, como ResNet, utilizan la agrupación promedio global para reducir cada mapa de características a un único valor. La agrupación adaptativa permite a las redes gestionar imágenes de diferentes tamaños ajustando la ventana de agrupación. Estas estrategias muestran cómo la agrupación en visión artificial ayuda a los sistemas a gestionar el tamaño de los datos y mantener la precisión.

La agrupación espacial reduce las dimensiones espaciales de los mapas de características al aplicar operaciones fijas como la agrupación máxima o promedio, que reducen la muestra de los datos y la complejidad computacional.
Los modelos clásicos de aprendizaje profundo, incluidos VGG-16 y AlexNet, utilizan capas de agrupación máxima Reducir las dimensiones espaciales paso a paso.
Los modelos avanzados como ResNet utilizan la agrupación promedio global para condensar cada mapa de características en un único valor, lo que demuestra el poder de la agrupación en la reducción de la dimensión.
La agrupación adaptativa permite que las redes gestionen imágenes de distintos tamaños modificando las ventanas de agrupación, lo que ofrece una reducción flexible de la dimensión espacial.
Estos ejemplos demuestran que la agrupación en la visión artificial reduce eficazmente las dimensiones espaciales, preserva características importantes, mejora la invariancia de la traducción y reduce los costos computacionales.

¿Por qué utilizar pooling?

Las capas de agrupación ofrecen varias ventajas para los modelos de aprendizaje profundo en visión artificial. Al reducir el tamaño de las imágenes, permiten que un sistema de visión artificial con agrupación procese los datos con mayor rapidez y utilice menos memoria. Esta eficiencia es crucial para aplicaciones en tiempo real, como la detección de objetos y la clasificación de imágenes, donde la velocidad y la precisión son cruciales.

La agrupación también mejora la robustez de los modelos de aprendizaje profundo. Cuando una capa de agrupación resume la información, ayuda al sistema a ignorar pequeños cambios o ruido en la imagen de entrada. Esto aumenta la fiabilidad del modelo, incluso cuando las imágenes no son perfectas o presentan ligeras variaciones.

La siguiente tabla muestra cómo los diferentes métodos de agrupación afectan la precisión y la eficiencia en conjuntos de datos estándar:

Conjunto de datos	Tamaño de la piscina	Métodos comparados	Mejora de T-Max-Avg sobre Avg-TopK	Mejora de T-Max-Avg sobre Max Pooling	Mejora por T-Max-Avg sobre el agrupamiento promedio
CIFAR-10	3	Promedio-TopK	+ 1.23%	+ 3.43%	+ 8.83%
CIFAR-10	3	Avg-TopK (acumulación óptima)	+ 0.28%	+ 4.32%	+ 10.42%
CIFAR-100	3	Promedio-TopK	-0.3%	+ 1.6%	+ 5.1%
CIFAR-100	3	Avg-TopK (acumulación óptima)	+ 0.53%	+ 4.11%	+ 6.96%
MNIST	3	Promedio-TopK	+ 0.24%	+ 1.05%	+ 1.35%
MNIST	3	Avg-TopK (acumulación óptima)	+ 0.01%	+ 0.43%	+ 0.44%

Este gráfico destaca que la agrupación máxima suele superar a la agrupación promedio en conjuntos de datos como CIFAR-10, CIFAR-100 y MNIST. El método de agrupación T-Max-Avg, un enfoque más reciente, logra sistemáticamente una mayor precisión que los métodos de agrupación tradicionales. El tamaño de la agrupación y la configuración de los parámetros pueden mejorar aún más el rendimiento, lo que demuestra que un ajuste preciso de las capas de agrupación produce mejores resultados en los modelos de aprendizaje profundo.

La agrupación de imágenes en visión artificial no solo acelera el procesamiento, sino que también aumenta la precisión y robustez de los modelos de aprendizaje profundo. Al reducir las dimensiones espaciales de las imágenes, la agrupación de capas permite que los modelos de aprendizaje profundo se centren en las características más importantes. Esto hace que la agrupación de imágenes sea esencial para cualquier sistema moderno de visión artificial que busque alta precisión y eficiencia en tareas de visión artificial.

Capa de agrupación en sistemas de visión artificial

Cómo funcionan las capas de agrupación

A capa de agrupación Desempeña un papel fundamental en los modelos de aprendizaje profundo. Esta capa escanea los mapas de características generados por capas convolucionales y condensa la información. Esto se logra seleccionando o resumiendo valores de pequeñas regiones de la imagen. El objetivo principal es reducir el tamaño espacial de los datos, conservando al mismo tiempo los detalles más importantes de las características.

Las capas de agrupación realizan dos tareas principales: submuestreo y agregación. Submuestreo significa reducir el tamaño de los datos de la imagen. Agregación significa combinar la información de varios píxeles en un único valor. Este proceso ayuda a los modelos de aprendizaje profundo a centrarse en los patrones más importantes de las imágenes.

Las capas de agrupación reducen el tamaño espacial de los mapas de características, lo que ayuda a identificar características clave y disminuye la complejidad computacional.
Agrupación máxima Selecciona el valor más alto de cada región, preservando las características más destacadas.
La agrupación promedio calcula el valor medio, lo que puede ayudar en los casos donde se necesita un resumen más general.
Al reducir la cantidad de parámetros, las capas de agrupación ayudan a controlar el sobreajuste y hacen que los modelos de aprendizaje profundo sean más eficientes.
Algunos métodos de agrupación avanzados, como la agrupación dinámica, ajustan la cantidad de características y combinan información de diferentes partes de la imagen.

Las capas de agrupación actúan como un filtro que conserva solo la información más útil. Esto hace que los modelos de aprendizaje profundo sean más rápidos y robustos. Cuando un modelo utiliza la agrupación, puede procesar imágenes con mayor rapidez y con menos memoria. Esto es especialmente importante para tareas de aprendizaje automático como la clasificación de imágenes y la detección de objetos.

Piense en una capa de agrupación como una cámara que se aleja para ver la imagen completa. En lugar de enfocarse en cada pequeño detalle, la cámara captura las partes más importantes. Esto ayuda al sistema a comprender la idea principal de la imagen sin perderse en pequeños detalles irrelevantes.

Agrupamiento y redes neuronales convolucionales

Las redes neuronales convolucionales se basan en la agrupación de capas para gestionar grandes cantidades de datos de imágenes. Estas redes utilizan la agrupación para reducir el tamaño de los mapas de características tras cada paso convolucional. Este proceso permite que los modelos de aprendizaje profundo gestionen imágenes complejas sin ralentizarse ni consumir demasiada memoria.

La agrupación de capas en redes neuronales convolucionales ayuda de varias maneras:

Permiten que los modelos de aprendizaje profundo extraigan características primarias de las imágenes, en lugar de cada detalle.
Las capas de agrupación reducen la carga computacional, lo que hace posible entrenar modelos de aprendizaje profundo en grandes conjuntos de datos.
Al resumir la información, las capas de agrupación ayudan a que los modelos de aprendizaje profundo se vuelvan más resistentes a pequeños cambios o ruido en las imágenes de entrada.
Las técnicas avanzadas de agrupación, como los parámetros de agrupación aprendibles, permiten que los modelos de aprendizaje profundo se adapten y mejoren su precisión. Estos métodos pueden superar la agrupación máxima o la agrupación promedio tradicionales al preservar información más relevante.
Los experimentos muestran que la agrupación de capas con parámetros adaptativos o aprendibles puede reducir los errores de entrenamiento y mejorar el rendimiento en las tareas de clasificación de imágenes.

Las capas de agrupación también ayudan a los modelos de aprendizaje profundo a reducir el sobreajuste. Al centrarse en las características más importantes, estas capas evitan que el modelo memorice cada detalle de las imágenes de entrenamiento. Esto permite una mejor generalización cuando el modelo detecta nuevas imágenes.

Tipos de agrupación

La agrupación en visión artificial utiliza varias técnicas para resumir la información de las imágenes. Los tres tipos principales de agrupación incluyen agrupación máxima, agrupación promedio y métodos avanzados como la agrupación sumatoria y la agrupación global. Cada tipo desempeña un papel único en tareas de visión artificial, como la clasificación y segmentación de imágenes, y la detección de objetos.

Agrupación máxima

La agrupación máxima es uno de los tipos de agrupación más comunes. Este método escanea un mapa de características y selecciona el valor más alto de cada pequeña región. La agrupación máxima ayuda a resaltar las características más destacadas en las imágenes, lo que facilita que las redes neuronales convolucionales detecten patrones importantes. Por ejemplo, en una ventana de 2x2, la agrupación máxima seleccionará el número más grande, que suele representar el borde o la textura más prominente en esa parte de la imagen. La agrupación máxima reduce el tamaño de los mapas de características y ayuda a los modelos a centrarse en los detalles clave, lo que mejora el rendimiento en la clasificación y segmentación de imágenes.

Agrupación promedio

La agrupación promedio calcula el valor medio dentro de cada ventana de agrupación. Esta técnica de agrupación produce mapas de características más uniformes y menos sensibles espacialmente que la agrupación máxima. La agrupación promedio reduce el ruido y la varianza, lo que facilita la generalización de los modelos. Sin embargo, puede diluir características sólidas al promediar, lo que a veces implica la pérdida de detalles importantes. A pesar de ello, la agrupación promedio reduce eficazmente las dimensiones de los mapas de características y la complejidad computacional. La siguiente tabla muestra cómo la agrupación promedio puede mejorar la precisión en conjuntos de datos estándar:

Conjunto de datos	Método de agrupación	Mejora de la precisión (%)
CIFAR-10	Agrupación máxima	6.28
CIFAR-10	Agrupación promedio	16.62
CIFAR-100	Agrupación máxima	7.76
CIFAR-100	Agrupación promedio	25.00

Las capas de agrupación en redes neuronales convolucionales utilizan la agrupación promedio para comprimir datos, retener información útil y acelerar el entrenamiento. Este proceso facilita una mejor generalización y ayuda a reducir el sobreajuste.

Métodos avanzados de agrupación

Los tipos avanzados de agrupación incluyen la suma, la global y la adaptativa. La suma suma todos los valores en una ventana de agrupación, lo que puede ser útil en tareas donde la intensidad total es importante. La agrupación global, como la media global, reduce cada mapa de características a un único valor, lo que aumenta la eficiencia de los modelos. La adaptativa modifica el tamaño de la ventana de agrupación para ajustarse a diferentes imágenes de entrada. Los investigadores han desarrollado nuevos métodos, como la agrupación adaptativa modificada de 3 etapas, que equilibra eficiencia, simplicidad y robustez. Algunos ejemplos prácticos son:

La agrupación adaptativa ajusta el tamaño de las ventanas para imágenes de diferentes formas.
La agrupación híbrida combina la agrupación máxima y la agrupación promedio para obtener mejores resultados.
La agrupación adaptativa modificada de tres etapas funciona bien en la detección en el mundo real, como la detección de patógenos en la leche, al limitar los pasos y mejorar la robustez.

Estas técnicas avanzadas de agrupamiento permiten agrupar sistemas de visión artificial para manejar tareas complejas de análisis de imágenes con mayor flexibilidad y precisión.

Beneficios e inconvenientes

Ventajas

La agrupación en visión artificial aporta varias ventajas importantes a las tareas de visión artificial. Muchos investigadores han descubierto que los métodos de agrupación, como la agrupación máxima y la agrupación global, ayudan a las redes neuronales convolucionales a procesar imágenes con mayor rapidez. Estos métodos reducen el tamaño de los mapas de características, lo que disminuye el número de cálculos necesarios. Como resultado, el entrenamiento y la inferencia se agilizan considerablemente. Por ejemplo, los estudios de Li et al. y Yang et al. muestran que los métodos de agrupación mejoran tanto la velocidad como la precisión en la detección de objetos y la clasificación de imágenes.

La agrupación aumenta la invariancia de la traducción, lo que reduce la sensibilidad de las redes a pequeños cambios en la imagen de entrada. Esto es crucial para tareas como la detección de objetos y la segmentación de imágenes.
Al reducir la cantidad de parámetros, la agrupación ayuda a que los modelos de aprendizaje profundo utilicen menos memoria y se entrenen más rápido.
Las capas de agrupación permiten la regularización, lo que ayuda a reducir el sobreajuste. Esto significa que el modelo puede funcionar mejor con imágenes nuevas e inéditas.
Las arquitecturas clásicas, como VGG-16 y AlexNet, utilizan el agrupamiento máximo para mejorar el rendimiento en las tareas de análisis de imágenes.
Las técnicas de agrupación avanzadas, como la agrupación adaptativa y global, permiten que las redes manejen diferentes tamaños de imágenes y mejoren la precisión.

Las capas de agrupación actúan como una herramienta simple pero poderosa para hacer que los sistemas de visión artificial sean más eficientes y precisos.

Limitaciones

A pesar de sus numerosas ventajas, la agrupación en visión artificial también presenta algunas desventajas. En ocasiones, la agrupación puede eliminar detalles importantes de las imágenes, especialmente al utilizar ventanas de agrupación grandes. Esta pérdida de información puede reducir la precisión en tareas que requieren detalles finos, como la segmentación de imágenes.

La agrupación puede provocar que el modelo pierda información espacial, lo que puede afectar las tareas que necesitan una localización precisa.
Algunos tipos de agrupamiento, como el agrupamiento promedio, pueden diluir características fuertes, lo que hace más difícil que el modelo detecte patrones clave.
El uso excesivo de agrupamiento puede generar un subajuste, en el que el modelo se vuelve demasiado simple y no logra capturar características importantes.
La agrupación no siempre se adapta bien a todos los tipos de imágenes o tareas, por lo que es necesario realizar un ajuste cuidadoso para obtener mejores resultados.

Si bien la agrupación ayuda a reducir el sobreajuste y acelera el procesamiento, es importante equilibrar su uso para evitar perder información crítica.

Aplicaciones: Clasificación de imágenes y más

Clasificación de imagen

La agrupación de datos en la visión artificial desempeña un papel vital en clasificación de imágenes Tareas. Al condensar la información de las imágenes, las capas de agrupamiento ayudan a las redes neuronales convolucionales a centrarse en las características más importantes. Este proceso mejora la velocidad y la precisión del análisis de imágenes. Muchos sistemas reales dependen del agrupamiento para gestionar grandes volúmenes de imágenes de forma eficiente.

La siguiente tabla destaca cómo la agrupación respalda la clasificación de imágenes en diferentes dominios:

Dominio de la aplicación	Descripción	Métricas clave de rendimiento/Beneficios
Análisis de imagen médica	CNN utiliza agrupación de promedios para la detección temprana de tumores	92% de precisión al distinguir tejido benigno del maligno; complejidad computacional reducida; contexto espacial preservado; generalización mejorada
Clasificación de imágenes satelitales	Agrupación promedio aplicada a la detección del uso del suelo en imágenes satelitales	Precisión de clasificación del 87.5 %; reducción del 40 % en el tiempo de procesamiento; mejor conservación de características que el muestreo descendente tradicional
Sistemas de reconocimiento facial	Agrupamiento promedio utilizado por empresas como Apple y Google para optimizar funciones y reducir gastos generales	Procesamiento y comparación más rápidos de rasgos faciales en grandes bases de datos
Percepción del vehículo autónomo	La agrupación reduce la dimensionalidad de los datos de los sensores para la toma de decisiones en tiempo real	Permite tomar decisiones más rápidas y precisas sobre las condiciones y los obstáculos de la carretera.

Las técnicas de agrupamiento, en especial el agrupamiento promedio, ayudan a preservar información espacial crítica y a reducir el ruido. Estas ventajas se traducen en una mejor generalización y un mejor rendimiento en las tareas de clasificación y segmentación de imágenes.

Detección de objetos

Agrupación en máquina vision También mejora la detección de objetos. Al resumir los mapas de características, la agrupación de capas permite a los modelos identificar objetos en imágenes con mayor precisión y rapidez. Los sistemas de detección se benefician de la agrupación porque reduce la cantidad de datos que el modelo debe procesar, lo que posibilita la detección en tiempo real.

El gráfico a continuación muestra cómo la agrupación mejora las métricas de detección, como la precisión promedio media (mAP):

Los modelos que utilizan capas de agrupamiento logran mayor precisión y recuperación que aquellos sin agrupamiento. Por ejemplo, el modelo de agrupamiento (2,1) aumenta mAP@0.5 de 0.227 a 0.289, lo que se traduce en una mayor precisión de detección. El agrupamiento también ayuda a los modelos a detectar más objetos en condiciones difíciles, lo que facilita un análisis robusto de imágenes en visión artificial.

Las métricas de detección clave incluyen:

La intersección sobre la unión (IoU) mide la calidad del cuadro delimitador.
La precisión muestra cuántos objetos detectados son correctos.
La recuperación mide cuántos objetos reales encuentra el modelo.
mAP resume el rendimiento de detección en todas las clases y umbrales.

Las capas de agrupación mejoran estas métricas, lo que las hace esenciales para los sistemas modernos de detección de objetos.

Usos industriales

La agrupación de datos en visión artificial se extiende a numerosas aplicaciones industriales. Las empresas la utilizan para combinar datos sintéticos y reales, lo que optimiza el rendimiento de los modelos de aprendizaje automático. Este enfoque aumenta la diversidad de los datos de entrenamiento y mejora la precisión en las tareas de análisis de imágenes.

La siguiente tabla resume el impacto del agrupamiento en los sistemas de visión artificial industriales:

Métrica/Área de aplicación	Detalles / Impacto
Reducción de costos	Reducción promedio del 47% en costos de adquisición y preparación de datos.
Global	Los volúmenes de conjuntos de datos aumentaron un 1,200% sin aumentos de costos proporcionales.
Mejora de la precisión	La combinación de 1,000 imágenes reales con 5,000 imágenes sintéticas mejoró la precisión del 94.5% al 97%.
Mejora de las métricas de rendimiento	La exactitud, la precisión, la recuperación, la precisión promedio media y la puntuación F1 muestran ganancias mensurables.
Aplicaciones industriales	Los vehículos autónomos, el reconocimiento facial y el control de calidad de fabricación se benefician de una mayor robustez, diversidad y rendimiento.

La agrupación de sistemas de visión artificial ayuda a las industrias a ampliar sus conjuntos de datos y reducir costos. También mejora la precisión y robustez de los modelos de aprendizaje automático en entornos reales. Las aplicaciones de la agrupación incluyen el control de calidad, la conducción autónoma y los sistemas de seguridad, donde la detección y clasificación fiables son cruciales.

La agrupación en visión artificial condensa los datos de imagen, lo que permite que los modelos sean más rápidos y precisos. Arquitecturas clave como LeNet-5 y ResNet se basan en la agrupación para mejorar la eficiencia y la precisión en tareas como la clasificación de imágenes y la detección de objetos. La siguiente tabla destaca los hallazgos de varios estudios:

Aspecto evaluado	Hallazgos cuantificados / Estadísticas	Explicación / Implicación
Ganancias de eficiencia	Memoria reducida de 2263.1 MB a 5.1 MB; tiempo de consulta de 11082.4 ms a 9.5 ms	Permite un entrenamiento y una inferencia más rápidos
Mejoras de rendimiento	La agrupación Avg-TopK mejoró la precisión en más del 6 % en comparación con la agrupación máxima	El método de agrupación afecta la robustez y la precisión del modelo
Inflación de la tasa de error	Las tasas de error tipo I aumentaron del 5% al 7-11%	La agrupación puede aumentar los falsos positivos

La agrupación sigue siendo esencial para la visión artificial, pero un diseño cuidadoso garantiza resultados fiables. Los lectores interesados en el aprendizaje profundo pueden explorar tipos avanzados de agrupación y sus aplicaciones en la segmentación y detección de imágenes.

Preguntas Frecuentes

¿Cuál es el objetivo principal del agrupamiento en la visión artificial?

La agrupación en visión artificial ayuda a reducir el tamaño de los datos de imagen. Este proceso conserva características importantes, a la vez que permite que los modelos de visión artificial sean más rápidos y eficientes. La agrupación también mejora la precisión en tareas como la clasificación de imágenes y la detección de objetos.

¿Cómo utilizan las redes neuronales convolucionales capas de agrupación?

Las redes neuronales convolucionales utilizan capas de agrupación para reducir el muestreo de los mapas de características. Estas capas ayudan a la red a centrarse en patrones clave y a reducir el sobreajuste. La agrupación también reduce el uso de memoria y acelera el entrenamiento para el análisis y la segmentación de imágenes.

¿Cuales son los principales tipos de pooling?

Los principales tipos de agrupación incluyen la agrupación máxima, la agrupación promedio, la agrupación sumatoria y la agrupación global. Cada método resume la información de forma diferente. La agrupación máxima selecciona el valor más alto, mientras que la agrupación promedio encuentra la media. La agrupación global condensa mapas de características completos.

¿Por qué es importante la agrupación espacial para la segmentación de imágenes?

La agrupación espacial ayuda a los modelos a conservar las características esenciales a la vez que reduce el tamaño de los datos. Este proceso mejora la segmentación al permitir que el sistema identifique regiones importantes en las imágenes. La agrupación espacial también admite detección y clasificación robustas en visión por computadora.

¿Puede la agrupación de sistemas de visión artificial reducir el sobreajuste?

La agrupación de sistemas de visión artificial puede reducir el sobreajuste Al resumir las características y reducir el número de parámetros, este enfoque facilita la generalización de los modelos a nuevas imágenes. La agrupación también mejora el rendimiento en aplicaciones como la clasificación y la detección.