Alternativas a Deepness: 5 formas de ejecutar aprendizaje profundo sobre imágenes en QGIS

Deepness ejecuta un modelo de aprendizaje profundo sobre un raster dentro de , tesela por tesela, en tu propia máquina. Es gratis, tiene licencia Apache 2.0 y nada de lo que cargas sale de tu ordenador. Tampoco tiene selector de modelos. Tienes que aportar tú mismo el archivo ONNX. Abres una página de documentación, haces clic en un enlace, descargas el archivo manualmente desde una carpeta Nextcloud universitaria y luego lo buscas desde el plugin. La gente empieza a buscar otra cosa cuando no tiene ese archivo o cuando la instalación de dependencias falla en su portátil.

Las cinco herramientas siguientes cubren el mismo terreno desde otro ángulo. Cada una tiene enlaces y responde a las mismas preguntas: qué instala, qué hardware necesita, si las imágenes salen de tu máquina, qué entra, qué sale y dónde falla.

Aquí desarrollamos uno de los seis plugins, AI Segmentation. El nuestro responde a las mismas preguntas que el resto, incluida la de dónde falla.

Qué es realmente Deepness

Deepness carga una red neuronal ONNX y la desplaza por un raster en teselas solapadas, para luego escribir el resultado en tu proyecto como un layer. Incluye segmentación, detección de objetos, regresión y superresolución, y te permite configurar el tamaño de tesela, el solapamiento y el postprocesamiento.

El panel del modelo es un cuadro de texto y un botón Browse. No hay lista, botón de descarga ni galería dentro de QGIS. Tienes que escribir tú mismo la resolución espacial, en centímetros por píxel. El resultado es un memory layer, así que debes guardarlo en disco cuando te convenza.

Puedes dirigirlo a cualquier cosa que QGIS pueda dibujar: una ortofoto almacenada en disco o un layer de un proveedor online como Google Satellite. También tiene una herramienta de exportación de datos de entrenamiento que corta un raster y una máscara en teselas pequeñas. Es la función que la gente olvida que existe.

Nada sale de tu máquina. No hay cuenta, API key ni llamada de red mientras se ejecuta el modelo. Alguien leyó el código fuente del plugin el 23 de agosto de 2026 y encontró todas las URL del código dentro de comentarios. La única petición saliente que hace Deepness es el pip install del primer inicio. Si trabajas con imágenes de clientes, imágenes de defensa o cualquier material que deba aprobar un responsable de compras, eso lo resuelve, y es el único punto en el que Deepness supera a todas las herramientas alojadas que aparecen abajo, incluida la nuestra.

Deepness no incluye capacidad propia de detección. Es un ejecutor, y el modelo lo tienes que aportar tú. La licencia es Apache 2.0, y el equipo que lo desarrolla publicó el plugin en SoftwareX, DOI 10.1016/j.softx.2023.101495.

Dónde se atasca la gente

El catálogo de modelos es una página de enlaces. El 23 de agosto de 2026 incluía 24 modelos: 9 de segmentación, 6 de detección de objetos, 8 de superresolución, 1 de reconocimiento y ninguno de regresión. Quince están en una carpeta Nextcloud de la Universidad de Poznan, uno en Fraunhofer y ocho en versiones de GitHub. Todos se descargan manualmente. Sus resoluciones de entrenamiento van de 0.5 cm por píxel a 1000. Si trabajas a 20 cm, aproximadamente dos de los dieciséis modelos de tareas son adecuados para ti. No hay un modelo mundial de edificios ni un modelo mundial de vegetación. Las dos opciones para edificios son un modelo RampDataset a 40 cm por píxel y un modelo de cobertura del suelo cuya propia página dice "the dataset covers only the area of Poland, therefore the performance may be inferior in other parts of the world".

Escribes la resolución y nadie la comprueba. El cuadro acepta centímetros por píxel, el plugin confía en tu número y nunca compara ese número con el layer. Un valor incorrecto produce Exception: Unsupported layer units o ValueError: cannot convert float NaN to integer, con el traceback en la consola de Python que la mayoría de usuarios de QGIS nunca abre. En el issue #183, un mantenedor escribió que "it is worth adding a sanity check to the code to create a meaningful error message". Leído el 23 de agosto de 2026, el control todavía no está en el código. El fallo silencioso cuesta más que el crash. En la discusión #176, un usuario no encontró absolutamente nada hasta que, en sus palabras, "i lied to the plugin and said that the pixels are 10cm".

Un usuario midió la velocidad. En el issue #192, abierto desde el 15 de noviembre de 2024, un usuario ejecutó un modelo del catálogo sobre una tesela de ortofoto de 5000 por 5000 píxeles a 20 cm, con un Ryzen 7 5800X y una GTX 1660 Ti. La CPU tardó 80 minutos. La misma tesela en la tarjeta gráfica tardó 61 segundos. Una máquina, un modelo y una tesela, así que considéralo su medición, no un benchmark. Sigue siendo lo más parecido a una respuesta publicada para la pregunta "¿puedo hacer esto en el portátil de la oficina?".

La CPU funciona y CUDA es una historia de Linux. Una máquina sin tarjeta gráfica ejecuta Deepness, porque ONNX Runtime vuelve a la CPU por su cuenta. El instalador solo obtiene la versión GPU en Linux. En Windows y macOS instala onnxruntime normal. El mantenedor escribió lo mismo en el issue #192: "On windows we did not manage to run it with GPU, and it is more complicated, so Deepness installs only the onnxruntime instead of onnxruntime-gpu."

La instalación de dependencias es el muro habitual. Deepness instala OpenCV y ONNX Runtime con pip la primera vez que lo abres. macOS falla desde el #54, del 20 de octubre de 2022, y el #209 sigue abierto en Sequoia, con el mantenedor respondiendo "Unfortunately, we do not have macos to test on." En QGIS 3.44, el #235 informa de A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3, porque el plugin sigue fijando numpy<2.0.0 y esa versión de QGIS incluye NumPy 2.4.3. Detrás de un proxy corporativo, el #197 se detiene en certificate verify failed: self-signed certificate in certificate chain y después ERROR: No matching distribution found for opencv-python. Cuando me funcionó, tardó unos veinte minutos. Falló en mi primer intento tanto en un Mac como en una máquina Windows.

No hay botón de cancelación. El issue #230, abierto el 14 de enero de 2026, sigue abierto. Una vez iniciada una ejecución, tienes que esperar.

La documentación y el plugin son dos cosas distintas. El sitio de documentación se construye desde una rama que nunca se ha publicado. El plugin que instalas desde el marketplace de QGIS es la versión 0.6.5, subida el 10 de diciembre de 2024.

Nada de esto convierte a Deepness en una mala herramienta. La convierte en una herramienta para quien ya tiene un modelo entrenado y un entorno Python que funciona correctamente.

Las alternativas

1. Deepness, la referencia

• Instalación. Gestor de plugins, después OpenCV y ONNX Runtime en el primer inicio. Unos veinte minutos cuando funciona, y falla en macOS desde octubre de 2022.
• Dónde se ejecuta. En tu máquina, con CPU o CUDA. La versión GPU solo se instala en Linux. Sin cuenta, sin API key y sin llamada de red una vez que se ejecuta.
• Entrada y salida. Cualquier raster layer, incluido un mapa base XYZ o WMS, más un archivo ONNX descargado manualmente. El resultado es un memory layer que guardas tú mismo.
• Coste. Gratis, Apache 2.0, publicado en SoftwareX bajo el DOI 10.1016/j.softx.2023.101495.
• Dónde falla. Fuera de los datos de entrenamiento del modelo que hayas cargado. Un modelo de edificios entrenado a 40 cm por píxel no interpretará un vuelo de dron de 5 cm, y el plugin no puede avisarte. Escribe una resolución incorrecta y se bloquea o no encuentra nada.

Repositorio y documentación.

2. Geo SAM

• Instalación. Gestor de plugins. Gestiona sus propias dependencias y descarga los checkpoints del modelo desde dentro de QGIS, así que no tienes que escribir comandos pip.
• Dónde se ejecuta. En tu máquina, con aceleración GPU activada por defecto y una ruta CPU funcional. Sin cuenta.
• Entrada y salida. Un archivo raster o un layer XYZ, WMS o WMTS. El resultado es un polígono por prompt, a partir de un clic o un cuadro.
• Coste. Gratis, MIT.
• Dónde falla. El primer prompt sobre una imagen nueva es lento porque la imagen tiene que codificarse antes de que los clics sean rápidos. Su FAQ dice que puede tardar "from a few seconds to several minutes depending on the image size, model, and hardware", y la página de codificación incluye una estrategia Low Memory para cuando aparecen errores de falta de memoria. También devuelve un objeto cada vez, por lo que no es la herramienta adecuada para un barrio entero.

Repositorio, documentación, ficha del plugin.

3. GeoAI

• Instalación. Gestor de plugins, además de un entorno PyTorch. La propia página del proyecto dice que la instalación "can be challenging due to the complicated pytorch/cuda dependencies". Fallé a la primera tanto en un Mac como en una máquina Windows, así que reserva una tarde.
• Dónde se ejecuta. En tu máquina. CUDA para velocidad, Apple MPS en Apple Silicon y CPU como alternativa. Sin cuenta, salvo que los pesos de SAM 3 requieren primero una solicitud de acceso en Hugging Face.
• Entrada y salida. Un raster layer. El resultado son polígonos y máscaras, con un panel acoplable por tarea: segmentación de árboles, segmentación de agua, Segment Anything, segmentación semántica y segmentación de instancias.
• Coste. Gratis, MIT.
• Dónde falla. SAM 3 necesita una GPU NVIDIA. En una máquina que solo tiene CPU, el plugin devuelve Failed to load model: Torch not compiled with CUDA enabled, y su propia página lo dice antes de que lo intentes. Los demás modelos siguen funcionando.

Documentación del plugin y repositorio.

4. Mapflow, de Geoalert

• Instalación. Gestor de plugins y después iniciar sesión. Nada más y sin tarjeta gráfica.
• Dónde se ejecuta. En sus servidores. Necesitas una cuenta y las imágenes salen de tu máquina en cada ejecución, porque el plugin no incluye ninguna librería de inferencia.
• Entrada y salida. Una zona que dibujas sobre una de sus fuentes de imágenes. El resultado son vector layers: edificios con altura opcional, carreteras, campos agrícolas, bosques y obras.
• Coste. Los edificios cuestan 10 créditos por kilómetro cuadrado a $0.10 por crédito, redondeados a kilómetros cuadrados completos, así que una ciudad de 10 km² cuesta aproximadamente $10. El plan gratuito ofrece 250 créditos para un máximo de 25 km², con la exportación bloqueada, de modo que puedes mirar el resultado pero no llevarte el layer.
• Dónde falla. Las viviendas adosadas. Las casas contiguas de una fila se fusionan en un solo polígono, algo visible en sus propias capturas, y separarlas después cuesta más de lo que ahorró la ejecución.

Documentación del plugin y repositorio.

5. Bunting Labs AI Vectorizer

• Instalación. Gestor de plugins y después una cuenta. Sin tarjeta gráfica.
• Dónde se ejecuta. En sus servidores. Las imágenes alrededor del cursor se envían mientras dibujas.
• Entrada y salida. El raster sobre el que estás trazando. El resultado es geometría dentro del layer que ya tienes abierto en modo edición, vértice a vértice por delante del cursor.
• Coste. $29 por usuario y mes, con un límite de 120 completions al día. Después, $99 por usuario, sin límite y sin retención de datos. No hay plan gratuito.
• Dónde falla. Nunca devuelve todas las coincidencias de una zona porque solo ve las imágenes alrededor del cursor. Para cincuenta edificios sigues haciendo clic cincuenta veces, aunque cada vez más rápido.

Documentación.

6. AI Segmentation, el nuestro

• Instalación. Gestor de plugins y después una cuenta. Sin descarga de pesos, sin entorno Python y sin tarjeta gráfica. QGIS 3.22 o superior.
• Dónde se ejecuta. Nuestros servidores en Europa para los dos modos cloud, por lo que las imágenes salen de tu máquina. Semi-Auto ejecuta un modelo pequeño localmente y mantiene las imágenes en tu máquina.
• Entrada y salida. Una zona que dibujas sobre cualquier raster o mapa base, además de una palabra como building o solar panel. El resultado es un GeoPackage con estilo, un polígono por objeto, cada uno con una etiqueta, una clase, una puntuación de confianza y una superficie.
• Coste. 3 km² de detección automática gratis al mes, sin tarjeta. Una ciudad de 10 km² necesita Pro, a €39 al mes por 300 km². Semi-Auto en tu propia máquina no tiene contador.
• Dónde falla. Devuelve más de lo que has pedido. Conductos, tragaluces, cobertizos de patios y sombras aparecen como polígonos reales, correctamente delineados, que no son edificios, y tienes que ajustar los deslizadores de confianza y superficie hasta que el resultado sea válido. En una ejecución en París, eso redujo 635 polígonos a 82, y esos 82 todavía representaban el 84% de la superficie construida. El borde de un campo que se desvanece entre matorrales es el punto en el que duda, igual que tú.

Página del producto.

Pruébalo gratis en QGIS, sin tarjeta

Comparativa

Cómo elegir

• Tienes un archivo ONNX o uno de los 24 modelos del catálogo coincide con tu sensor y tu resolución. Quédate con Deepness y comprueba tu versión de NumPy antes de abrir un bug.
• Quieres SAM localmente y nunca has entrenado nada. Geo SAM para un objeto cada vez, sin configurar nada. GeoAI para el conjunto más amplio de tareas si tienes una tarjeta NVIDIA y una tarde.
• Tienes un portátil de oficina y no tienes tiempo para instalar nada. Mapflow o nuestro AI Segmentation, ambos ejecutan el modelo en un servidor y solo necesitan el plugin.
• Estás trazando linework manualmente en lugar de detectar objetos sobre una zona. Bunting Labs.

Responde a una pregunta antes que a cualquier otra. ¿Pueden salir las imágenes de tu máquina? Si la respuesta es no, quedan descartados Mapflow, Bunting Labs y nuestros dos modos cloud, y te quedan Deepness, Geo SAM o GeoAI.

Los ocho plugins de AI comparados cubre el campo más amplio, y la guía de SAM profundiza en qué plugin ejecuta cada versión de Segment Anything.