Alternativas a eCognition: análisis de imágenes basado en objetos sin licencia
La propia página del producto de Trimble contiene esta frase: "Trimble eCognition ya no se vende activamente. Esta página sigue activa para que los clientes existentes puedan acceder a las descargas de software." La leí el 23 de agosto de 2026. Así que la pregunta ha cambiado. Ya no se trata de saber si merece la pena renovar la licencia, sino de qué herramienta gratuita cubre cada parte del trabajo, y qué parte no tiene sustituto gratuito.
Soy cofundador de TerraLab, así que AI Segmentation, cerca del final, es nuestra. Mismas columnas, mismo límite de una línea que todo lo demás.
Lo que eCognition ofrece realmente
eCognition es un entorno de análisis de imágenes basado en objetos, no un botón que encuentra edificios, y tú diriges cada etapa manualmente.
La segmentación es lo primero. La segmentación multirresolución parte de píxeles individuales y fusiona vecinos mientras se mantenga un umbral de homogeneidad. Estableces un parámetro de escala para el tamaño de los objetos, divides la homogeneidad entre color y forma, y después divides la forma entre suavidad y compacidad. La forma no puede superar 0.9. Esos cuatro números son el oficio, y debes reajustarlos para cada sensor y cada paisaje.
Después viene una jerarquía de clases que escribes tú mismo: clases, atributos heredados, funciones de pertenencia sobre medias espectrales, textura, área, vecinos y relaciones con objetos padre e hijo. Luego la ejecutas, observas el resultado, cambias los números y vuelves a ejecutarla.
El resultado importante es el conjunto de reglas, guardado como archivo .dcp o empaquetado como solución .dax, no los polígonos. Ese archivo es el método. Se lo entregas a un colega, lo ejecutas sobre mil teselas en eCognition Server, obtienes la misma clasificación cada vez y puedes mostrarle a un auditor por qué un polígono fue identificado como edificio.
Hoy no existe ningún sustituto gratuito para eso. Cada herramienta de abajo te ofrece una etapa. Ninguna ofrece un archivo de reglas portable y versionado que un colega pueda ejecutar sin cambios y defender en una revisión. Si tu entregable es el método y no el mapa, conserva una máquina que todavía pueda abrir tus archivos .dcp.
La documentación de conjuntos de reglas de Trimble y la referencia de segmentación multirresolución siguen disponibles en línea y se pueden leer gratis.
Ruta 1: solo necesitas la etapa de segmentación
Estas herramientas dividen la imagen en objetos. No los clasifican.
1. Orfeo ToolBox
Lo más parecido a la etapa de segmentación de eCognition que puedes obtener gratis, y la única opción diseñada para escenas grandes.
- Instalación OTB y después el plugin OrfeoToolbox Provider, que salió del núcleo de QGIS en 3.36. El CookBook explica la conexión. La línea de comandos también funciona.
- Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida cualquier raster.
LargeScaleMeanShiftencadena suavizado, segmentación, fusión de regiones pequeñas y vectorización, y escribe un archivo vectorial cuyos polígonos ya incluyen la media y la desviación estándar de cada banda. Esa tabla alimenta después al clasificador. - Coste gratis, Apache 2.0.
- Falla en los valores predeterminados: radio espacial 5, radio de rango 15, tamaño mínimo de 50 píxeles y teselas de 500 por 500. Espera varias ejecuciones antes de acertar con el tamaño de objeto.
orfeo-toolbox.org · LargeScaleMeanShift
2. GRASS i.segment
Ya está dentro de 
, porque GRASS viene incluido.
- Instalación nada. El proveedor de GRASS está disponible en Processing desde el principio.
- Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida un grupo de imágenes. Obtienes un raster de segmentos, que
i.segment.statsconvierte en estadísticas por objeto que puedes clasificar. - Coste gratis, GPL.
- Falla en la paciencia. Hay dos métodos, crecimiento de regiones y mean shift, y el umbral de crecimiento de regiones no tiene un significado físico, así que debes encontrarlo mediante bisección. El complemento
i.segment.uspoautomatiza esa búsqueda y tarda horas.
i.segment manual · i.segment.stats · i.segment.uspo
3. SAGA
La forma más rápida de ver una segmentación sin leer un manual.
- Instalación el plugin Processing Saga NextGen Provider, además de SAGA. Salió del conjunto de Processing del núcleo de QGIS.
- Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida entran grids, y salen un grid de segmentos y polígonos opcionales.
- Coste gratis. GPL, con la API bajo LGPL.
- Falla en todo lo que tenga que escalar o repetirse. Su biblioteca Imagery, Segmentation contiene Seeded Region Growing, Superpixel Segmentation, Watershed Segmentation y tres herramientas auxiliares, y es rápida de probar. No incluye un marco de atributos de objetos, así que la etapa de estadísticas debes construirla tú.
4. scikit-image y RSGISLib
Para quienes prefieren escribir la segmentación en lugar de hacer clic.
- Instalación un entorno de Python. scikit-image se instala con pip o conda, mientras que RSGISLib requiere conda y es más pesado.
- Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida entran arrays y salen arrays de etiquetas. La georreferenciación debes gestionarla tú mediante rasterio o GDAL.
- Coste gratis. scikit-image es BSD-3-Clause y RSGISLib es GPL v3.
- Falla en la infraestructura. Felzenszwalb, quickshift, SLIC y watershed son cuatro líneas cada uno, y ninguno sabe qué es un CRS. La segmentación Shepherd de RSGISLib es la coincidencia publicada más cercana a eCognition, solo se instala desde conda-forge y su sitio no respondía por https el 23 de agosto de 2026, así que utiliza el repositorio.
scikit-image segmentation examples · RSGISLib repository
Ruta 2: necesitas clasificación supervisada
Dibujas áreas de entrenamiento, la herramienta aprende de ellas y se etiqueta todo el raster. Esta es la mitad de eCognition que el software gratuito cubre de verdad.
5. Semi-Automatic Classification Plugin
En el que acaba la mayoría de quienes vienen de eCognition, y con razón.
- Instalación el plugin y después deja que descargue sus dependencias. Funciona sobre Remotior Sensus y utiliza scikit-learn y PyTorch.
- Se ejecuta en tu máquina, CPU es suficiente y no necesitas cuenta. Una herramienta opcional descarga escenas de Landsat y Sentinel-2, el único momento en que se comunica con un servidor.
- Entrada y salida un raster multibanda y áreas de entrenamiento que dibujas. Obtienes un raster clasificado, un informe de precisión y un layer vectorial si lo pides. Algoritmos: máxima verosimilitud, distancia mínima, mapeo del ángulo espectral, random forest, máquina de vectores de soporte y un perceptrón multicapa.
- Coste gratis, GPL v3.
- Falla en los objetos. Clasifica píxeles, no segmentos, por lo que un tejado vuelve con aspecto moteado y debes limpiarlo después.
6. dzetsaka
Más pequeño, más rápido de aprender y capaz de entrenar un modelo en aproximadamente un minuto.
- Instalación el plugin. Cuando eliges un algoritmo cuya biblioteca falta, ofrece instalarla mediante pip y muestra el progreso en el registro de QGIS, así que rara vez tienes que abrir un terminal.
- Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida un raster y un shapefile de regiones de interés. Obtienes un raster clasificado y un archivo de modelo guardado. Once algoritmos, desde un modelo de mezcla gaussiana que no necesita nada más allá de QGIS hasta XGBoost y CatBoost.
- Coste gratis, GPL v3.
- Falla en las etiquetas de texto. La columna ROI debe contener números de clase, no nombres.
7. GRASS i.maxlik y r.learn.ml2
Ya están instalados y forman la pareja que mejor se presta a crear scripts.
- Instalación nada para
i.maxlik.r.learn.ml2es un addon y necesita scikit-learn. - Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida un archivo de firmas de
i.gensigpara el primero, y un stack de raster más etiquetas para el segundo. Salen rasters clasificados. - Coste gratis, GPL.
- Falla en la facilidad de descubrimiento. Los nombres de los parámetros presuponen que ya conoces el modelo de datos de GRASS. Una vez que lo conoces, encajan directamente en un pipeline de bash o Python, lo más parecido que existe gratis a un procesamiento por lotes de eCognition Server.
8. Orfeo TrainImagesClassifier
Combínalo con LargeScaleMeanShift y tendrás una cadena realmente basada en objetos: segmentar, calcular estadísticas por objeto y clasificar.
- Instalación OTB, como se ha explicado arriba.
- Se ejecuta en tu máquina, solo CPU y sin cuenta.
- Entrada y salida entran pares de imagen y vector de entrenamiento. Sale un archivo de modelo, además de una matriz de confusión si la solicitas. No escribe ninguna imagen ni ningún vector, así que después
ImageClassifieroVectorClassifieraplica el modelo. - Coste gratis, Apache 2.0.
- Falla en el primer contacto. Está construido sobre LibSVM, el aprendizaje automático de OpenCV y Shark ML, cada uno con su propio bloque de parámetros. Lee la página del CookBook antes de ejecutarlo, no después.
Ruta 3: quieres obtener el objeto sin escribir un conjunto de reglas
Herramientas basadas en modelos. Renuncias al ajuste y a la trazabilidad de auditoría, y obtienes un resultado hoy.
9. Deepness
Ejecuta cualquier modelo ONNX que proporciones sobre un raster, por teselas.
- Instalación el plugin, que después instala OpenCV y ONNX Runtime mediante pip en el primer inicio.
- Se ejecuta en tu máquina. La CPU funciona, pero una GPU necesita tu propia configuración de CUDA. Sin cuenta y no sale nada de tu máquina.
- Entrada y salida cualquier raster layer, incluidos un mapa base XYZ o WMS, además de tu modelo ONNX. Sale un layer vectorial o raster.
- Coste gratis, Apache 2.0.
- Falla en imágenes fuera del rango de entrenamiento del modelo. Un modelo entrenado con imágenes de 25 cm no interpretará un vuelo de dron de 5 cm, y el plugin no puede avisarte.
10. Geo-SAM
Segment Anything en un panel de QGIS, un prompt cada vez.
- Instalación el plugin, desde el gestor de plugins a partir de la versión 2.0. Descarga sus propios checkpoints desde dentro de QGIS.
- Se ejecuta en tu máquina, con suficiente velocidad en la CPU de un portátil. Sin cuenta y no sale nada de tu máquina.
- Entrada y salida un archivo raster o un layer XYZ, WMS o WMTS. Un polígono por clic o cuadro, guardado en un Shapefile.
- Coste gratis, MIT.
- Falla en trabajos por superficie. Devuelve un objeto cada vez. Hay dos modos desde la versión 2.0, y en el modo pre-encoded solo puedes hacer prompt dentro de la extensión que codificaste primero.
11. samgeo
Los mismos modelos como paquete de Python, para escenas completas.
- Instalación un entorno de Python y después el paquete. Reserva una tarde para la primera vez.
- Se ejecuta en tu máquina, con GPU recomendada. Sin cuenta, pero los pesos requieren una descarga considerable.
- Entrada y salida un GeoTIFF o teselas de mapa base que descarga. Rasters de máscaras más GeoJSON, Shapefile o GeoPackage.
- Coste gratis, MIT.
- Falla en los portátiles de oficina y en las discrepancias de CRS, porque no reproyecta nada. Es una biblioteca, así que debes escribir el código salvo que añadas su companion plugin.
samgeo.gishub.org · Repository
12. GeoAI
Un panel por tarea, además de un entrenador para tus propios modelos.
- Instalación el plugin y una pila de PyTorch. El proyecto indica que las dependencias de CUDA hacen difícil la instalación, y tiene razón.
- Se ejecuta en tu máquina, en la práctica con una tarjeta NVIDIA. Sin cuenta y no sale nada de tu máquina.
- Entrada y salida un raster layer. Polígonos y máscaras, un panel por tarea.
- Coste gratis, MIT.
- Falla en la instalación, más a menudo que en las imágenes. Cuando funciona, es la caja de herramientas más amplia de esta lista: Segment Anything, copas de árboles, máscaras de agua y Mask R-CNN.
13. Mapflow
Dibuja un área, elige una clase y recibe vectores de sus servidores.
- Instalación solo el plugin.
- Se ejecuta en los servidores de Geoalert. No necesitas GPU, se requiere una cuenta y las imágenes salen de tu máquina en cada trabajo.
- Entrada y salida un área que dibujas. Layers vectoriales por clase.
- Coste créditos a $0.10 cada uno. Los edificios cuestan 10 créditos por km², un mapa base de zoom 18 añade 3, así que son aproximadamente $1.30 por km². El nivel gratuito ofrece 250 créditos, con un límite de 25 km².
- Falla en tejidos urbanos densos. Las casas adosadas se fusionan en un solo polígono, algo visible en sus propias capturas de pantalla.
14. AI Segmentation, la nuestra
Dibuja una zona, escribe el objeto con palabras normales y obtén cada coincidencia como polígono.
- Instalación solo el plugin. Sin pesos, sin CUDA y sin entorno de Python.
- Se ejecuta en nuestros servidores para los dos modos cloud y en tu máquina para el pequeño modelo local de Semi-Auto. Sin GPU en ninguno de los dos casos. Se requiere una cuenta gratuita.
- Entrada y salida ortofotos y mapas base. Sale un GeoPackage con estilo, un polígono por objeto, con una etiqueta, una clase, una puntuación de confianza y un área.
- Coste el plan gratuito cubre 3 km² de detección Automatic y 50 detecciones de objetos Semi-Auto al mes, sin tarjeta. Pro cuesta €39 al mes por 300 km² y 2,000 detecciones de objetos. Semi-Auto en tu propia máquina no tiene contador.
- Falla en las reglas que prohíben cualquier carga. Los dos modos cloud envían imágenes a un servidor, y solo el pequeño modelo local permanece en la máquina. Leemos imágenes y nada más, así que una hoja catastral escaneada no produce ningún resultado.
Prueba AI Segmentation gratis en QGIS, sin tarjeta
Comparación directa
| Herramienta | Qué instalas | GPU | Cuenta | Las imágenes permanecen locales | Qué le proporcionas | Qué obtienes | Coste para trabajo real | Licencia |
|---|---|---|---|---|---|---|---|---|
| Orfeo ToolBox | OTB y el proveedor de QGIS | No | No | Sí | Cualquier raster | Polígonos vectoriales con media y desviación estándar por banda | Gratis | Apache 2.0 |
| GRASS i.segment | Nada, viene con QGIS | No | No | Sí | Un grupo de imágenes | Raster de segmentos y estadísticas de un addon | Gratis | GPL |
| SAGA | Plugin proveedor de SAGA NextGen | No | No | Sí | Grids | Grid de segmentos y polígonos opcionales | Gratis | GPL, API LGPL |
| scikit-image, RSGISLib | Un entorno de Python | No | No | Sí | Arrays que georreferencias tú mismo | Arrays de etiquetas | Gratis | BSD-3, GPL v3 |
| SCP | El plugin y después sus dependencias | No | No | Sí | Bandas y áreas de entrenamiento | Raster clasificado e informe de precisión | Gratis | GPL v3 |
| dzetsaka | El plugin, las dependencias se instalan automáticamente | No | No | Sí | Raster y shapefile ROI numerado | Raster clasificado y archivo de modelo | Gratis | GPL v3 |
| GRASS i.maxlik, r.learn.ml2 | Nada y después un addon | No | No | Sí | Archivo de firmas o stack de raster | Raster clasificado | Gratis | GPL |
| Orfeo TrainImagesClassifier | OTB | No | No | Sí | Pares de imagen y vector de entrenamiento | Un archivo de modelo, no un mapa | Gratis | Apache 2.0 |
| Deepness | Plugin y después OpenCV y ONNX Runtime | Opcional | No | Sí | Cualquier raster y tu modelo ONNX | Vector o raster layer | Gratis | Apache 2.0 |
| Geo-SAM | Plugin, las dependencias se gestionan automáticamente | Opcional | No | Sí | Raster, XYZ, WMS o WMTS | Un polígono por clic o cuadro | Gratis | MIT |
| samgeo | Un entorno de Python | Sí para SAM 3 | No | Sí | GeoTIFF o teselas descargadas | Rasters de máscaras y archivos vectoriales | Gratis | MIT |
| GeoAI | Plugin y una pila de PyTorch | NVIDIA en la práctica | No | Sí | Raster layer | Polígonos y máscaras por tarea | Gratis | MIT |
| Mapflow | El plugin | No | Sí | No | Un área que dibujas | Layers vectoriales por clase | Aproximadamente $1.30 por km² de edificios | GPL v3 |
| AI Segmentation (la nuestra) | El plugin | No | Sí | No para los dos modos cloud | Una zona y una palabra | GeoPackage con estilo, un polígono por objeto | 3 km² gratis al mes, €39 por 300 km² | Plugin GPLv2, servicio de pago |
| eCognition | La suite | Opcional | Licencia | Sí | Imágenes y un conjunto de reglas que escribes | Objetos, clases y un .dcp portable | Solo bajo cotización y ya no se vende activamente | Propietaria |
Cómo elegir
- Tu entregable es el método, no el mapa. Nada de aquí sustituye un
.dcp. Conserva una máquina que abra tus conjuntos de reglas y reconstruye el método como un modelo de Processing documentado o un script de Python antes de que esa máquina muera. - Segmentaste y después clasificaste por objeto. Orfeo, las dos mitades:
LargeScaleMeanShiftpara los objetos yTrainImagesClassifierpara las etiquetas. La única cadena gratuita que conserva las estadísticas de objetos de principio a fin. - Sobre todo dibujaste áreas de entrenamiento y pulsaste clasificar. SCP para un informe de precisión, dzetsaka para tener un modelo en un minuto.
- Quieres obtener edificios de las imágenes esta tarde. Deepness con un modelo preparado, o Mapflow o el nuestro si las imágenes pueden salir de la máquina.
- Las imágenes no pueden salir de la máquina. Esa respuesta descarta Mapflow y nuestros dos modos cloud, y deja todas las demás opciones de esta lista.
Empieza esta noche con i.segment sobre una tesela. Ya está en tu caja de herramientas Processing, no cuesta nada y veinte minutos con el umbral te dirán qué parte de tu trabajo en eCognition era la segmentación y qué parte era el conjunto de reglas.
Los ocho plugins de AI comparados profundiza en la parte basada en modelos. El centro de QGIS AI muestra el resto.
