Para ti, una foto de una calle de Medellín muestra carros, personas y un perro. Para el computador, esa misma foto es una tabla gigante de números. Cada cuadrito de la imagen se llama píxel, y cada píxel guarda tres números: cuánto rojo, cuánto verde y cuánto azul tiene (de 0 a 255).

Es como un mosaico de baldosines de colores: de cerca solo ves cuadritos; de lejos aparece el dibujo. La visión artificial enseña al computador a "alejarse" y reconocer el dibujo.

¿Cómo lo aprende? Con una red neuronal, un programa que se entrena mostrándole miles de ejemplos:

1. Le muestras muchas fotos donde ya marcaste qué hay ("esto es un casco", "esto es una persona").
2. La red intenta adivinar, compara con la respuesta correcta y se corrige un poquito.
3. Repite esto muchas veces hasta que aprende patrones: bordes, formas, texturas y, al final, objetos.

Un detalle importante: el modelo solo reconoce bien lo que se parece a lo que vio en el entrenamiento. Si lo entrenaste con fotos de día, puede fallar de noche. Si nunca vio un casco amarillo, puede no reconocerlo.

Un video, por su parte, es simplemente una sucesión de fotos (cuadros o frames): una cámara normal entrega unos 25 o 30 por segundo, y el modelo analiza cada uno.

✍️ Ejercicio: piensa en 3 cosas que te gustaría que una cámara reconociera en tu negocio o en tu barrio y anota en qué condiciones de luz estarían.