Big Bird: un modelo de IA cuenta aves en fotos de dron 85 veces más rápido que una persona

Un dron sobrevuela un humedal en minutos y deja miles de fotos con decenas de miles de aves diminutas. Contarlas a mano, ave por ave, puede llevar semanas. Un equipo liderado por la Universidad de Queensland acaba de publicar un conjunto de datos abierto y un modelo de visión por computador que hace ese trabajo 85 veces más rápido que el conteo manual, aunque con límites que conviene leer antes de celebrar.

Por qué contar aves desde el aire sigue siendo un cuello de botella

El dron ya resolvió la parte difícil de llegar: sobrevuela colonias y lagunas sin pisar el sitio ni espantar a los animales. El problema se movió a la oficina. Según el resumen del estudio, los censos con dron "se ven limitados por los costos de detectar manualmente las aves en las imágenes resultantes", y los intentos previos de automatizarlo apuntaban a un contexto estrecho, como un solo hábitat, sin identificar atributos clave como la especie (Wilson et al., Remote Sensing in Ecology and Conservation, 2026).

El autor principal lo resume así: "contar aves a mano en imágenes de dron consume muchísimo tiempo, y este estudio muestra que la IA puede reducir esa carga" (Universidad de Queensland, 22 de junio de 2026).

Qué es Big Bird y qué contiene

Big Bird es, ante todo, un conjunto de datos: el equipo reunió imágenes de estudios existentes y de su propio trabajo de campo, y las etiquetó con la ubicación de cada ave, su especie, su postura (en reposo, volando u otra), su edad (pichón, juvenil o adulto) y su sexo (Wilson et al., 2026). Las cifras del resumen son estas:

Elemento	Cifra
Investigadores que aportaron imágenes	33
Imágenes aportadas	23.865
Cámaras distintas	21
Países y continentes	11 países, los 7 continentes
Imágenes etiquetadas	4.824
Aves etiquetadas	49.990
Especies	101

Esa diversidad es la apuesta central. Los autores describen el conjunto como el más preciso en sus etiquetas y el más diverso biológica, ambiental y digitalmente hasta la fecha, y publican abiertos tanto los datos como el modelo entrenado (Wilson et al., 2026). Esa es su afirmación sobre su propio trabajo; no hay aquí una comparación independiente que la confirme.

Detectar es fácil; decir qué especie es, no tanto

Aquí está el matiz que el titular no cuenta. El modelo alcanzó una precisión media (mAP) de 0,91 para detectar aves, pero de 0,65 al clasificar especie, edad y sexo (Wilson et al., 2026). Las desviaciones reportadas también son amplias (±0,25 y ±0,33), así que el desempeño varía mucho de una situación a otra.

El propio análisis del estudio identifica qué predice el rendimiento:

• la similitud entre las imágenes de prueba y las de entrenamiento (el predictor más fuerte, P = 0,00021),
• el número de clases parecidas entre sí,
• el número de píxeles que ocupa el ave en la imagen,
• el número de ejemplos de entrenamiento, que en este análisis no alcanzó significancia estadística (P = 0,1019).

La lectura es intuitiva: un modelo rinde mejor donde ya "vio" algo parecido, y peor con aves diminutas o con especies casi idénticas. El autor principal lo dice sin adornos: los drones y la IA "no son la herramienta correcta para toda situación, pero funcionan particularmente bien con aves de cuerpo grande en hábitats abiertos con poca cobertura de dosel, como los humedales" (Universidad de Queensland, 2026).

Qué podría cambiar para quien monitorea humedales

Lo que sigue es análisis propio, no un resultado del estudio. Si un modelo abierto ya reconoce cientos de especies en imágenes de dron, un equipo pequeño podría pasar de contar a revisar: dejar que el modelo proponga las detecciones y dedicar el tiempo experto a validar las dudosas. Es el mismo reparto que ya se discute para cámaras trampa y grabadoras acústicas.

Una hipótesis razonable, que el estudio no prueba, es que la utilidad dependerá de cuánto se parezca cada humedal a los de entrenamiento. En lagunas, estuarios y marismas de cualquier región del mundo, desde Australia hasta los llanos y humedales del Neotrópico, la primera tarea sería medir cuánto se degrada el modelo con las especies y las cámaras locales, y eso exigiría etiquetar una muestra propia. Los autores piden precisamente eso: que más investigadores se sumen a ensamblar conjuntos de datos que cubran contextos amplios y estén etiquetados con métricas de conservación.

El estudio tampoco dice cuánto cambia la estimación de abundancia con los errores del modelo, que es lo que al final alimenta una decisión de manejo. Esa es la pregunta pendiente.

Una conclusión

Big Bird no es un contador automático de aves listo para cualquier ecosistema; es algo más útil a largo plazo, un cimiento abierto y verificable sobre el que otros pueden medir sus propios modelos. Su mejor contribución quizá sea la honestidad de los números: detectar funciona muy bien, identificar apenas aprueba, y el progreso real dependerá de que más equipos pongan sus imágenes en la misma mesa.

---

Portada: ilustración conceptual de un dron sobre un humedal con aves. Imagen generada con IA (openai/gpt-image-2).