Cómo YOLO y OpenCV aprendieron a procesar albaranes de transporte, y por qué no basta

Cuando el OCR da un albarán de transporte por «leído», solo significa una cosa: el sistema ha extraído caracteres. Entender dónde está el remitente, dónde la carga y dónde el importe total es una tarea completamente distinta, y el OCR no la resuelve por defecto. Las bibliotecas modernas de visión por computador como YOLO, OpenCV y los modelos de Hugging Face reconocen objetos, bloques de texto y estructuras en apenas unas líneas de código. Es cómodo para prototipar, pero tras la simplicidad se esconden limitaciones serias. Los modelos listos para usar se entrenan con conjuntos de datos generales: no saben cómo es su formulario concreto de albarán, qué campo es obligatorio y cuál es una nota opcional.

El artículo analiza un caso real: cómo construir un sistema que extraiga datos de albaranes de transporte de forma automática. Los documentos llegan en distintos formatos: escaneos de baja resolución, fotos tomadas con el móvil, PDF de diversos sistemas contables. En este escenario el OCR es solo el primer paso. Después empieza la ingeniería de verdad.

La primera limitación a la que se enfrenta cualquier equipo es la calidad de los datos de entrada. YOLO detecta objetos muy bien en imágenes limpias, pero los albaranes rara vez son perfectos: papel arrugado, ángulos de captura torcidos, mala iluminación, sellos y estampillas superpuestos. OpenCV ayuda con el preprocesado (corrección de perspectiva, filtrado de ruido, normalización del contraste), pero cada uno de estos pasos requiere un ajuste manual para cada tipo de documento. No existen valores de parámetros universales.

La segunda limitación es la semántica. Un detector puede dibujar un rectángulo alrededor del número «15 000», pero no sabe si es el precio por unidad, el importe total o el número del albarán. Para eso hace falta lógica adicional: comprender la estructura de las tablas, el orden de las filas y la posición relativa de los campos. Los autores describen un enfoque que usa modelos de NLP de Hugging Face para clasificar los bloques de texto detectados: el modelo aprende a distinguir los tipos de campo por el contexto de los elementos vecinos.

El tercer problema es el rendimiento en condiciones reales. Cuando la tarea pasa de un procesamiento puntual a un flujo continuo, con decenas de albaranes por minuto o un escenario de videoanalítica donde hay que procesar fotogramas en tiempo real, los requisitos de arquitectura cambian radicalmente. Los autores describen la optimización del pipeline de inferencia: agrupación de solicitudes por lotes (batching), cuantización de modelos, elección entre CPU y GPU según el volumen de trabajo y la latencia admisible, y procesamiento asíncrono para exprimir al máximo el hardware disponible.

Una sección aparte trata el posprocesado de los resultados, es decir, lo que ocurre después de que el detector devuelve coordenadas y bloques de texto. Aquí hacen falta reglas de validación (un INN correcto, un formato de fecha adecuado, coincidencia de los importes totales), lógica de resolución de conflictos (cuando dos campos reclaman el mismo valor) y mecanismos de gestión de errores. Sin esta capa, el sistema leerá, pero no entenderá.

La conclusión práctica es sencilla: las herramientas existen y funcionan, pero no resuelven automáticamente la tarea de «entender un documento». YOLO es un detector, no un intérprete. OpenCV procesa píxeles, no significado. Hugging Face ofrece una amplia selección de modelos preentrenados, pero el ajuste fino (fine-tuning) para un ámbito concreto sigue siendo necesario. Un sistema real de procesamiento de documentos es un pipeline de varios modelos, reglas de posprocesado y validación, donde cada capa añade semántica a lo que la anterior solo vio.

El límite de las soluciones prefabricadas se sitúa donde termina el reconocimiento y empieza la comprensión. Cuanto más específico es el ámbito (logística, medicina, documentos jurídicos), más se aleja ese límite de «simplemente coger un modelo» y más se acerca al desarrollo a medida desde cero.