Cómo YOLO y OpenCV aprendieron a analizar cartas de porte — y por qué eso no basta

Cuando OCR llama a un documento de transporte "leído", significa solo una cosa: el sistema extrajo caracteres. Entender dónde está el remitente, dónde está la carga y dónde está el importe total — esa es una tarea completamente diferente, y OCR no la resuelve por defecto. Bibliotecas modernas de visión por computadora como YOLO, OpenCV y modelos de Hugging Face pueden reconocer objetos, bloques de texto y estructuras en apenas unas pocas líneas de código.

Esto es conveniente para prototipos, pero bajo la simplicidad se esconden limitaciones serias. Los modelos de serie se entrenan en conjuntos de datos generales — no saben cómo se ve tu formulario de factura específico, qué campos son obligatorios y cuáles son anotaciones opcionales. El artículo examina un caso real: cómo construir un sistema que extrae automáticamente datos de documentos de transporte.

Los documentos llegan en diferentes formatos — escaneos con baja resolución, fotos del teléfono, PDFs de diferentes sistemas contables. OCR en tal escenario es solo el primer paso. Entonces comienza la ingeniería real.

La primera limitación que enfrenta cualquier equipo es la calidad de los datos de entrada. YOLO es excelente detectando objetos en imágenes limpas, pero los documentos de transporte rara vez son perfectos: papel arrugado, ángulos de cámara sesgados, iluminación deficiente, sellos y marcas superpuestas. OpenCV ayuda con el preprocesamiento — alineación de perspectiva, filtrado de ruido, normalización de contraste — pero cada uno de estos pasos requiere ajuste manual para un tipo específico de documento.

Los valores universales de parámetros no existen. La segunda limitación es la semántica. Un detector puede dibujar un rectángulo alrededor del número "15.

000", pero no sabe si este es el precio unitario, el importe total o el número de factura. Para esto, necesitas lógica adicional: comprensión de la estructura de tabla, orden de filas, posiciones relativas de campos. Los autores describen un enfoque usando modelos NLP de Hugging Face para clasificar bloques de texto encontrados — el modelo aprende a distinguir tipos de campos por contexto de elementos vecinos.

El tercer problema es el rendimiento en condiciones reales. Cuando la tarea crece de un análisis único a un flujo — decenas de documentos por minuto, o un escenario de análisis de vídeo donde los fotogramas necesitan procesarse en tiempo real — los requisitos de arquitectura cambian drásticamente. Los autores describen la optimización del pipeline de inferencia: procesamiento por lotes, cuantización de modelos, elección entre CPU y GPU dependiendo del volumen de tareas y latencia aceptable, y procesamiento asíncrono como forma de extraer el máximo del hardware disponible.

Una sección separada cubre el posprocesamiento de resultados — lo que sucede después de que el detector devuelve coordenadas y bloques de texto. Aquí necesitas reglas de validación (formato correcto de INN, formato correcto de fecha, coincidencia de importes totales), lógica de resolución de conflictos (cuando dos campos compiten por un valor) y mecanismos de manejo de errores. Sin esta capa, el sistema leerá — pero no comprenderá.

La conclusión práctica suena simple: las herramientas existen, funcionan, pero la tarea "comprender el documento" no la resuelven automáticamente. YOLO es un detector, no un intérprete. OpenCV es procesamiento de píxeles, no de significado.

Hugging Face proporciona una amplia selección de modelos preentrenados, pero el ajuste fino para un dominio específico sigue siendo necesario. Un sistema real de análisis de documentos es un pipeline de varios modelos, reglas de posprocesamiento y validación, donde cada capa añade semántica a lo que la anterior solo vio. El límite de aplicabilidad de soluciones listas para usar corre por donde termina el reconocimiento y comienza la comprensión.

Cuanto más específico es el dominio — logística, medicina, documentos legales — más lejos se aleja este límite de "solo toma un modelo" y más cerca se acerca al desarrollo personalizado desde cero.