Detección de Alimentos en Imágenes de Comidas por Medio de Redes YOLOv8

doi:10.22167/2675-6528-202603218

Artículo

09 de octubre de 2026

Detección de Alimentos en Imágenes de Comidas por Medio de Redes YOLOv8

Detección de Alimentos en Imágenes de Comidas por Medio de Redes Yolov8

Luis Felipe de Oliveira Bergamim; Gustavo Dantas Lobo

DOI: 10.22167/2675-6528-202603218

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El reconocimiento automático de alimentos en imágenes de comidas es un problema relevante en áreas como el monitoreo nutricional, la salud y los sistemas inteligentes, pero presenta desafíos debido a la alta variabilidad visual de los alimentos, la superposición entre elementos y la ausencia de estructuras bien definidas. En este contexto, el estudio investigó la viabilidad del uso de técnicas de visión computacional para la detección automática de alimentos en imágenes de comidas. Se exploraron diferentes variantes del modelo YOLOv8 con pesos pre-entrenados y ajustes progresivos en hiperparámetros, arquitecturas y esquemas de congelamiento de capas. Se adoptó el dataset FoodRepo para el entrenamiento, tras modificaciones que redujeron y agruparon clases, haciéndolas más adecuadas al alcance de la aplicación. Se condujeron experimentos comparando arquitecturas nano, small y medium, además de diferentes optimizadores y pesos de las funciones de pérdida. Los resultados indicaron un desempeño excelente en la detección de platos y un desempeño moderado en la detección de alimentos, coherente con la complejidad visual de las clases y la variabilidad del conjunto de datos. Se observó que la reducción de clases aumentó la estabilidad del entrenamiento y que el congelamiento parcial de capas aceleró el proceso sin pérdida significativa de desempeño. Se demostró la viabilidad técnica del uso de modelos YOLOv8 para la detección automática de alimentos en imágenes de comidas, contribuyendo a avances en el área de food computing.

Palabras clave: Detección de alimentos; Detección de objetos; Transferencia de aprendizaje; Visión por computadora; YOLOv8.

1. Introducción

En las últimas décadas, la creciente disponibilidad de alimentos para gran parte de la población mundial ha representado un avance significativo en la lucha contra el hambre. Sin embargo, este progreso ha ido acompañado de un aumento expresivo en los índices de obesidad y de enfermedades crónicas no transmisibles, como la diabetes tipo 2 y las enfermedades cardiovasculares, ampliamente relacionadas con el consumo de productos ultraprocesados (Popkin, 2015; Monteiro et al., 2013). Este fenómeno, conocido como transición nutricional, se caracteriza por la sustitución de dietas tradicionales por patrones alimentarios ricos en artículos industrializados e hipercalóricos, configurando un desafío de salud pública a escala global.

La Organización de las Naciones Unidas, a través de la Agenda 2030, estableció entre sus Objetivos de Desarrollo Sostenible el compromiso de garantizar una vida sana y promover el bienestar para todos (ONU, 2015). En el contexto brasileño, tales desafíos se vuelven aún más evidentes ante la creciente presencia de alimentos ultraprocesados en la dieta de la población y la dificultad de acceso a herramientas simplificadas que ayuden a interpretar la calidad nutricional de las comidas. En este escenario, soluciones tecnológicas basadas en visión computacional emergen como alternativas prometedoras para apoyar elecciones alimentarias más conscientes.

En este contexto, el reconocimiento automático de alimentos en imágenes se ha destacado como una tecnología prometedora para apoyar diferentes aplicaciones prácticas en el área de la salud y la nutrición. Los sistemas capaces de identificar alimentos a partir de fotografías pueden ayudar en el monitoreo de la ingesta alimentaria, en la estimación de la composición nutricional de las comidas, en el seguimiento de pacientes con enfermedades crónicas, en aplicaciones de educación alimentaria y en estudios epidemiológicos sobre hábitos alimentarios. Además, la automatización de este proceso reduce la necesidad de registros alimentarios realizados manualmente, haciendo la evaluación nutricional más rápida, objetiva y escalable.

Los modelos de aprendizaje profundo, especialmente aquellos basados en redes neuronales convolucionales, han demostrado un rendimiento robusto en tareas de reconocimiento de imágenes, incluidas aplicaciones relacionadas con el sector alimentario. Entre estos enfoques, destaca la familia de modelos YOLO (“You Only Look Once”), ampliamente utilizada para la detección de objetos en tiempo real debido al equilibrio entre precisión y velocidad (Redmon et al., 2016; Varghese & Sambath, 2024). Estas características hacen que YOLOv8 sea particularmente adecuado para aplicaciones que requieren un procesamiento eficiente y una posible ejecución en tiempo real, como sistemas automatizados de reconocimiento de alimentos. La disponibilidad de grandes conjuntos de datos anotados, como FoodRepo, junto con el avance de bibliotecas modernas de aprendizaje profundo, ha facilitado el desarrollo de sistemas capaces de identificar automáticamente artículos alimenticios presentes en fotografías.

La problemática que orienta este estudio reside en la dificultad de desarrollar modelos capaces de identificar automáticamente los alimentos presentes en imágenes de comidas con precisión satisfactoria, ante la elevada variabilidad visual entre los ítems alimentarios, la superposición entre objetos y el gran número de categorías posibles, factores ampliamente reconocidos como desafiantes en la literatura.

La necesidad de herramientas eficientes para el monitoreo nutricional y la superación de los desafíos inherentes a la detección de alimentos en imágenes justifican la relevancia de esta investigación. Ante este contexto, el objetivo de este trabajo es evaluar la viabilidad del uso de modelos de visión computacional basados en la arquitectura YOLOv8 para la detección automática de alimentos en imágenes de comidas. Para ello, se analizaron diferentes configuraciones del modelo, incluyendo variaciones de arquitectura, estrategias de transferencia de aprendizaje y ajustes de hiperparámetros, con el fin de identificar la configuración que proporcionara el mejor equilibrio entre rendimiento y costo computacional en la tarea de detección de alimentos.

2. Material y Métodos

La investigación se llevó a cabo con carácter aplicado y experimental, empleando métodos cuantitativos para el desarrollo de un enfoque de visión computacional. El estudio se centró en la detección automática de alimentos en imágenes, buscando evaluar la viabilidad técnica de modelos de detección de objetos aplicados al reconocimiento de componentes de comidas. La construcción y evaluación de un modelo de detección de alimentos en imágenes constituyeron el foco exclusivo de este trabajo.

El proceso metodológico se estructuró en etapas secuenciales, abarcando desde la revisión bibliográfica y la preparación de los datos hasta el entrenamiento y la evaluación experimental de los modelos de detección de alimentos. Este enfoque sistemático permitió la investigación en profundidad de las diferentes configuraciones y parámetros que influyen en el rendimiento de los modelos de visión computacional.

Inicialmente, se realizó una revisión de la literatura sobre reconocimiento automático de alimentos, nutrición computacional y aprendizaje automático. El objetivo fue fundamentar teóricamente la investigación y orientar la selección de las técnicas empleadas. La revisión destacó la eficacia de los modelos de la familia YOLO para la detección de objetos en tiempo real (Redmon et al., 2016; Jocher et al., 2023) y la relevancia del “transfer learning” y “fine-tuning” para la optimización del entrenamiento (Ciocca et al., 2021; Varghese & Sambath, 2024).

A continuación, se procedió a la selección y preparación del conjunto de datos. Se utilizó el “dataset” público FoodRepo, que contiene 54.392 imágenes y 100.256 anotaciones distribuidas en 323 clases de alimentos. Este conjunto de datos, ya con cajas delimitadoras y segmentaciones anotadas, fue adaptado al formato YOLOv8, eliminando la necesidad de crear un “dataset” propio y siguiendo prácticas consolidadas en investigaciones de clasificación y segmentación de alimentos (Ciocca et al., 2021).

El conjunto de datos fue inspeccionado y estandarizado, incluyendo ajustes de resolución, normalización y reorganización de los directorios de entrenamiento, validación y prueba. Adicionalmente, se realizaron adaptaciones en las clases del “dataset” mediante tres esquemas progresivos de agrupamiento (v1, v2 y v3). El objetivo fue reducir redundancias, minimizar el desbalanceo entre categorías y aumentar la estabilidad del entrenamiento.

Cada esquema de agrupamiento fue evaluado en dos variantes: una automática (A), generada por script con reglas predefinidas, y una manual (M), refinada con base en criterios visuales y nutricionales para reducir ambigüedades. Seis configuraciones distintas del “dataset” (v1_A, v1_M, v2_A, v2_M, v3_A y v3_M) fueron evaluadas experimentalmente, y la configuración con mejor rendimiento fue seleccionada para los experimentos subsiguientes. Técnicas de “data augmentation”, como variaciones de iluminación, rotación y escala, fueron aplicadas conforme a las recomendaciones de la literatura (Shorten & Khoshgoftaar, 2019).

La estrategia de transferencia de aprendizaje se implementó inicializando los modelos con pesos previamente entrenados en grandes conjuntos de datos de detección de objetos. Durante el entrenamiento, parte de las capas iniciales de la red se mantuvo congelada (“frozen layers”), impidiendo la actualización de sus pesos. Este enfoque tuvo como objetivo preservar características visuales genéricas, reducir el tiempo de entrenamiento y mitigar el riesgo de sobreajuste (“overfitting”) en conjuntos de datos específicos. Se evaluaron diferentes cantidades de capas congeladas para determinar la configuración ideal.

Los experimentos se realizaron en el entorno Google Colab, que ofrece soporte para aceleración por GPU, permitiendo la ejecución del entrenamiento de los modelos dentro de las limitaciones computacionales típicas de entornos accesibles. El ajuste de los hiperparámetros se llevó a cabo de forma secuencial y experimental, alterando un factor a la vez para aislar el impacto individual de cada parámetro en el rendimiento del modelo.

Entre los hiperparámetros evaluados, se compararon los optimizadores SGD (“Stochastic Gradient Descent”), Adam y AdamW. El SGD realiza actualizaciones basadas en el gradiente con tasa de aprendizaje fija, mientras que Adam y AdamW combinan estimaciones adaptativas de los momentos de los gradientes, con AdamW desacoplando la regularización (“weight decay”). La configuración automática del framework Ultralytics, que corresponde al uso del AdamW, también fue considerada. Las arquitecturas YOLOv8 nano, “small” y “medium” fueron comparadas, diferenciándose por la cantidad de parámetros, profundidad de la red y costo computacional.

También se evaluó la influencia de diferentes configuraciones de los pesos de las funciones de pérdida (box, cls y dfl) utilizadas por YOLOv8 durante el entrenamiento. El parámetro “box” controló la importancia del error de localización de las cajas delimitadoras, “cls” ponderó el error de clasificación de las clases detectadas y “dfl” ajustó la precisión de la regresión de las coordenadas. La alteración de estos pesos permitió priorizar aspectos específicos del entrenamiento, como la precisión en la localización o en la clasificación.

Los modelos fueron entrenados durante 100 épocas, siguiendo la configuración por defecto del framework YOLOv8. Para los experimentos con alimentos, se registró el tiempo total de entrenamiento, mientras que para el conjunto de platos, debido a su menor complejidad, se optó por presentar el tiempo medio por época. La evaluación de los modelos se realizó mediante métricas ampliamente utilizadas en tareas de detección de objetos.

Las métricas empleadas incluyeron precisión (“precision”), revocación (“recall”), F1-Score y “mean Average Precision” (mAP). La precisión midió la proporción de detecciones correctas en relación al total de detecciones, penalizando falsos positivos (Everingham et al., 2015). La revocación representó la proporción de objetos reales correctamente detectados, reduciendo falsos negativos (Everingham et al., 2015).

El F1-Score, que corresponde a la media armónica entre precisión y recall, se utilizó como métrica de equilibrio, siendo útil en escenarios con “datasets” desbalanceados (Goodfellow et al., 2016). El mAP, calculado a partir de las Average Precisions (AP) individuales, evaluó el rendimiento medio entre todas las clases. El mAP50 consideró detecciones correctas con IoU mayor o igual a 0,50, mientras que el mAP50-95 evaluó el rendimiento para múltiples umbrales de IoU, de 0,50 a 0,95, conforme al benchmark COCO (Lin et al., 2014; Jocher et al., 2023).

3. Resultados y Discusión

La presente sección detalla los experimentos llevados a cabo con el conjunto de datos FoodRepo para la detección automática de alimentos en imágenes de comidas, presentando la evaluación del rendimiento de los modelos entrenados. Los resultados obtenidos proporcionan una comprensión profunda de la viabilidad de la arquitectura YOLOv8 para esta tarea compleja, considerando las variaciones visuales y la diversidad inherente a los artículos alimentarios. El análisis abarca tanto aspectos cuantitativos, a través de métricas de rendimiento, como cualitativos, examinando las predicciones del modelo en escenarios reales, lo que permite una evaluación exhaustiva de la eficacia del enfoque propuesto.

Resultados Cuantitativos

Los resultados cuantitativos se presentan de acuerdo con la secuencia metodológica adoptada, lo que permite un análisis sistemático del impacto de cada estrategia de entrenamiento en el rendimiento del modelo. Inicialmente, se evaluó la influencia de la reducción y agrupación de las clases del conjunto de datos FoodRepo, seguido de la comparación entre las arquitecturas YOLOv8, la congelación de capas, el ajuste de hiperparámetros y, finalmente, la configuración final de los modelos. Este enfoque secuencial garantiza que el efecto de cada modificación pueda aislarse y comprenderse en relación con el objetivo general del estudio.

La primera etapa experimental se centró en la evaluación de diferentes versiones de la reducción del conjunto de datos FoodRepo, con el objetivo de equilibrar la cantidad de ejemplos por clase y minimizar la redundancia entre categorías nutricionalmente similares. Las agregaciones se realizaron basándose en criterios visuales y nutricionales, agrupando alimentos con apariencia similar o baja representatividad para aumentar la estabilidad del entrenamiento. Se probaron tres esquemas de reducción (v1, v2 y v3), cada uno con variantes automática (A) y manual (M), que incluyeron el agrupamiento de ítems como granos, vegetales cocidos y otros alimentos poco frecuentes en clases más amplias, según la metodología descrita.

Los resultados comparativos de las versiones del conjunto de datos indicaron que la versión v3_M presentó el mejor rendimiento general. Esta configuración alcanzó un mAP50 de 0,3598 y un mAP50-95 de 0,2705, superando significativamente las demás alternativas probadas, que variaron de 0,1366 a 0,2924 para mAP50 y de 0,1048 a 0,2161 para mAP50-95. La superioridad de la v3_M puede atribuirse al mayor nivel de consolidación de las clases, que reunió categorías poco representadas en grupos alimentarios más amplios, promoviendo mayor estabilidad y representatividad de los datos para el entrenamiento del modelo. En función de este rendimiento, la versión v3_M fue seleccionada para todas las etapas subsecuentes del entrenamiento, garantizando consistencia en la evaluación de los demás hiperparámetros.

Tras la definición de la versión optimizada del conjunto de datos, se procedió a la comparación entre las arquitecturas YOLOv8, específicamente las variantes nano, “small” y “medium”. El entrenamiento se realizó durante cien épocas, buscando un equilibrio entre rendimiento y coste computacional para la detección de alimentos y platos. Para la detección de alimentos, la arquitectura “small” demostró el mejor compromiso, alcanzando un mAP50 de 0,4043 y un mAP50-95 de 0,3104, con un F1-Score de 0,4361, en un tiempo de entrenamiento de dos horas y doce minutos. Aunque la variante “medium” presentó métricas ligeramente superiores (mAP50 de 0,4350 y mAP50-95 de 0,3360), su tiempo de entrenamiento fue más del doble, totalizando cuatro horas y cuarenta y dos minutos, lo que justificó la elección de la arquitectura “small” para alimentos debido a su eficiencia.

Para la detección de platos, la arquitectura nano reveló un rendimiento equivalente o superior a las variantes mayores, con un mAP50 de 0,9926, mAP50-95 de 0,8532 y F1-Score de 0,9781, en solo trece segundos por época. Las arquitecturas “small” y “medium” presentaron mAP50-95 de 0,8654 y 0,8209, respectivamente, con tiempos por época de quince y veinticinco segundos. El rendimiento excepcionalmente elevado en la detección de platos es esperado, ya que los platos son objetos grandes, centralizados y con bordes bien definidos, lo que simplifica la tarea de detección. Estos hallazgos corroboran la literatura, que sugiere que los modelos menores tienden a generalizar bien en tareas más simples, mientras que los modelos intermedios son más adecuados para tareas multiclase de mayor complejidad.

A continuación, se evaluó el impacto de la estrategia de congelación de capas durante el proceso de transferencia de aprendizaje. Para el conjunto de datos de alimentos, se observó que el mAP50-95 alcanzó 0,309 con una capa congelada y 0,304 con dos capas, con el F1-Score correspondiente de 0,457 y 0,441. A partir de diez capas congeladas, el rendimiento comenzó a degradarse significativamente, alcanzando 0,224 para mAP50-95 y 0,366 para F1-Score, y cayendo a 0,097 y 0,262, respectivamente, con veintidós capas. Con base en estos resultados, la configuración de dos capas congeladas se seleccionó como la ideal para la detección de alimentos, ya que proporcionó un buen equilibrio entre la adaptación del modelo y la preservación de las características pre-entrenadas, evitando la pérdida de rendimiento.

Para el conjunto de datos de platos, también se analizó la congelación de capas, revelando que el mAP50-95 se mantuvo estable en torno a 0,858 con una y dos capas congeladas, y 0,850 con tres capas, con el F1-Score en 0,993, 0,978 y 0,965, respectivamente. A partir de diez capas congeladas, el rendimiento comenzó a disminuir, alcanzando 0,768 para mAP50-95 y 0,920 para F1-Score, y cayendo a 0,521 y 0,706 con veintidós capas. Se eligió la configuración de cuatro capas congeladas para la detección de platos, ya que demostró buena estabilidad y rendimiento, junto con la simplicidad del modelo. Estos resultados indican que la congelación parcial de capas es una estrategia eficaz para optimizar el entrenamiento, equilibrando la especialización del modelo con la preservación de conocimientos preexistentes.

En la etapa de ajuste de hiperparámetros, se compararon diferentes algoritmos de optimización. Para la detección de alimentos, el optimizador automático (AdamW) demostró el mejor rendimiento, con mAP50 de 0,404, mAP50-95 de 0,309 y F1-Score de 0,457. El SGD y el Adam presentaron resultados inferiores, con mAP50-95 de 0,290 y 0,279, respectivamente. Para la detección de platos, el optimizador SGD superó a los demás, alcanzando mAP50 de 0,994, mAP50-95 de 0,864 y F1-Score de 0,984. El optimizador automático (AdamW) y el Adam obtuvieron mAP50-95 de 0,858, ligeramente por debajo del SGD. La elección del optimizador adecuado es crucial para la convergencia y el rendimiento del modelo, y estos hallazgos se incorporaron en las configuraciones finales.

La evaluación del impacto de la alteración de los pesos de las funciones de pérdida también se realizó. Para la detección de alimentos, la modificación del peso de la función de pérdida de clasificación (cls = 1,75) resultó en un mAP50 de 0,408 y mAP50-95 de 0,310, con un F1-Score de 0,449, indicando una leve mejora en el mAP50-95 en comparación con los pesos estándar. Para la detección de platos, la modificación del peso de la función de pérdida de la caja delimitadora (box = 9,5) mejoró la precisión de las cajas, resultando en mAP50 de 0,993, mAP50-95 de 0,869 y F1-Score de 0,975. Estas optimizaciones en los pesos de las funciones de pérdida permitieron refinar el proceso de entrenamiento, priorizando aspectos específicos de la detección para maximizar la precisión.

La configuración final seleccionada para el modelo de detección de alimentos combinó la arquitectura “small”, el uso de dos capas congeladas y el optimizador automático (AdamW), con sus respectivos hiperparámetros y pesos de las funciones de pérdida ajustados. Este modelo final obtuvo una precisión de 0,520, recall de 0,425, mAP50 de 0,438, mAP50-95 de 0,344 y F1-Score de 0,467. Este rendimiento se considera moderado, reflejando la alta complejidad visual de la tarea de detección de alimentos, caracterizada por la diversidad de clases, la superposición de elementos y las variaciones de iluminación, factores ampliamente reconocidos como desafiantes en la literatura (Varghese & Sambath, 2024; Redmon et al., 2016).

Para el modelo de detección de platos, la configuración final utilizó la arquitectura nano, con cuatro capas congeladas y el optimizador SGD, también con sus hiperparámetros y pesos de las funciones de pérdida correspondientes. Este modelo alcanzó una precisión de 0,975, recall de 1,000, mAP50 de 0,993, mAP50-95 de 0,887 y F1-Score de 0,987. El excelente rendimiento del modelo de platos demuestra su alta estabilidad y capacidad de generalización para objetos con características visuales bien definidas, lo que es consistente con la menor complejidad intrínseca de la tarea de identificar un plato en comparación con la detección de múltiples alimentos en una comida.

Análisis Cualitativo de las Predicciones del Modelo

Además de las métricas cuantitativas, se realizó una evaluación cualitativa de las predicciones del modelo entrenado con la arquitectura “small” en imágenes reales de comidas. Este análisis visual complementa los resultados numéricos, permitiendo observar el comportamiento de la red en situaciones complejas y validar su capacidad de detección en escenarios prácticos, según lo recomendado por la literatura para modelos de visión computacional (Ciocca et al., 2021; Kawano & Yanai, 2015). La inspección visual de las predicciones ofrece información sobre las fortalezas y limitaciones del modelo que no se capturan completamente con las métricas agregadas.

En un ejemplo de comida compuesta por ensalada, verduras y otros elementos frescos, el modelo logró identificar correctamente diferentes componentes, atribuyendo a las regiones correspondientes las clases “salad” y “vegetables”. Esta capacidad de discriminar múltiples grupos de alimentos en un solo plato refuerza el potencial del enfoque basado en YOLO para apoyar sistemas automáticos de reconocimiento de alimentos en imágenes de comidas (Varghese & Sambath, 2024; Redmon et al., 2016). En otro escenario, con un plato que contenía ensalada, carne y arroz negro, el modelo obtuvo un rendimiento satisfactorio al identificar correctamente la ensalada y clasificó el arroz negro como verduras (“vegetables”), de forma consistente con sus clases agrupadas. El modelo también identificó correctamente la carne, demostrando su capacidad para reconocer proteínas animales incluso en situaciones de superposición visual con otros alimentos.

Sin embargo, el análisis cualitativo también reveló que algunos elementos menores o parcialmente ocultos recibieron clasificaciones genéricas. Aunque esta clasificación no es semánticamente precisa, refleja las limitaciones derivadas de la estrategia de reducción de clases adoptada en el conjunto de datos, donde alimentos visualmente similares se agruparon para mejorar la frecuencia por clase, según lo sugerido por la literatura en escenarios con conjuntos de datos desequilibrados (Goodfellow et al., 2016; Shorten & Khoshgoftaar, 2019). Esta observación es compatible con la naturaleza altamente variable de los alimentos y con los desafíos descritos por Bossard et al. (2014) sobre la diversidad intra-clase, que dificulta la distinción de elementos específicos en categorías amplias.

Estos análisis cualitativos refuerzan dos puntos centrales. En primer lugar, el modelo demuestra una capacidad de generalización adecuada para grupos alimentarios amplios, exhibiendo estabilidad en la detección de ensaladas, legumbres y fuentes proteicas, lo que concuerda con los resultados de estudios anteriores (Ciocca et al., 2021). En segundo lugar, las limitaciones observadas, como la clasificación genérica de ítems específicos, se derivan principalmente de la granularidad reducida de las clases utilizada durante la etapa de agrupamiento del conjunto de datos, y no de fallos inherentes a la arquitectura YOLOv8. Esto evidencia el impacto significativo de las decisiones de preparación de los datos en el rendimiento final del modelo, destacando la importancia de un balanceo cuidadoso entre la simplificación de las clases y la preservación de la especificidad para aplicaciones futuras.

En resumen, los experimentos demostraron la viabilidad técnica del uso de modelos YOLOv8 para la detección automática de alimentos en imágenes de comidas. La reducción progresiva de las clases del conjunto de datos y la selección criteriosa de la arquitectura “small” para alimentos y “nano” para platos, junto con la congelación parcial de capas y el ajuste de hiperparámetros, fueron cruciales para optimizar el rendimiento. Aunque el modelo alcanzó un rendimiento moderado en la detección de alimentos debido a la complejidad visual y diversidad de clases, presentó resultados excelentes en la detección de platos, confirmando su capacidad para identificar objetos bien definidos. Las limitaciones observadas están más relacionadas con la granularidad de las clases del conjunto de datos que con fallos intrínsecos a la arquitectura, lo que indica que la preparación de los datos es un factor determinante para el éxito de la aplicación.

4. Conclusión

Este trabajo investigó la viabilidad de la utilización de modelos de visión computacional basados en la arquitectura YOLOv8 para la detección automática de alimentos en imágenes de comidas, ante la elevada variabilidad visual y la complejidad inherente a la tarea. Por medio de una evaluación experimental sistemática, que exploró diferentes variantes del modelo YOLOv8, ajustes en hiperparámetros, arquitecturas y esquemas de congelamiento de capas, se verificó la viabilidad técnica del enfoque. Los experimentos evidenciaron un desempeño excelente en la detección de platos, con valores de mAP50-95 cercanos a 0,89, y un desempeño moderado en la detección de alimentos, reflejando la mayor complejidad de la tarea. Se observó que la reducción progresiva de las clases del conjunto de datos FoodRepo contribuyó a aumentar la estabilidad del entrenamiento, y el congelamiento parcial de capas aceleró el proceso sin pérdida significativa de desempeño. La arquitectura “small” presentó el mejor equilibrio entre desempeño y costo computacional para la detección de alimentos, mientras que la arquitectura nano se mostró suficiente para la detección de platos. Así, el estudio contribuye al área de “food computing” al demostrar cómo la preparación adecuada de los datos y la selección criteriosa de los hiperparámetros son factores determinantes para optimizar el desempeño de estos modelos.

Entre las limitaciones identificadas, destacan la alta variabilidad visual de los alimentos y el desequilibrio entre las clases del conjunto de datos, lo que exigió la agrupación de categorías poco representadas y puede reducir la capacidad del modelo para distinguir alimentos específicos. Adicionalmente, la evaluación se realizó exclusivamente con el dataset FoodRepo, no investigándose el rendimiento del modelo en otros conjuntos de datos o en imágenes obtenidas en condiciones reales de uso. Como trabajos futuros, se sugiere la evolución del modelo desarrollado para una aplicación práctica de reconocimiento automático de comidas. Esto incluye el desarrollo de una aplicación capaz de identificar alimentos en imágenes, estimar información nutricional como calorías y macronutrientes, y proporcionar una evaluación de la calidad de la comida, con el objetivo de ayudar a los usuarios en el monitoreo alimentario y la promoción de hábitos más saludables.

Referencias Bibliográficas

Bossard, L.; Guillaumin, M.; Van Gool, L. “Food-101: Mining Discriminative Components with Random Forests”. In: European Conference on Computer Vision (ECCV), 2014.

Ciocca, G.; Napoletano, P.; Scalfati, S. “Food recognition and leftover estimation for smart diet monitoring”. Pattern Recognition Letters, v. 143, p. 37–43, 2021.

Everingham, M.; Eslami, S. M. A.; Van Gool, L.; Williams, C. K. I.; Winn, J.; Zisserman, A. “The Pascal visual object classes challenge: a retrospective”. International Journal of Computer Vision, v. 111, p. 98–136, 2015.

Goodfellow, I.; Bengio, Y.; Courville, A. “Deep learning”. Cambridge: MIT Press, 2016.

Jocher, G.; Chaurasia, A.; Qiu, J. “Ultralytics YOLOv8”. 2023. Disponível em: <https://github.com/ultralytics/ultralytics>. Acesso em: 4 out. 2025.

Kawano, Y.; Yanai, K. “Food image recognition with deep convolutional features”. In: Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp), 2015.

Lin, T.-Y.; Maire, M.; Belongie, S.; Bourdev, L.; Girshick, R.; Hays, J.; Perona, P.; Ramanan, D.; Dollár, P.; Zitnick, C. L. “Microsoft COCO: Common Objects in Context”. In: Proceedings of the European Conference on Computer Vision (ECCV), 2014.

Monteiro, C. A.; Moubarac, J.-C.; Cannon, G.; Ng, S. W.; Popkin, B. “Ultra-processed products are becoming dominant in the global food system”. Obesity Reviews, v. 14(Suppl. 2), p. 21-28, 2013.

ONU Organização das Nações Unidas. “Agenda 2030 para o desenvolvimento sustentável”. Nova York: ONU, 2015. Disponível em: <https://brasil.un.org/pt-br/sdgs>. Acesso em: 4 out. 2025.

Popkin, B. M. “Nutrition transition and the global diabetes epidemic”. Current Diabetes Reports, v. 15, n. 9, p. 64, 2015.

Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. “You Only Look Once: Unified, Real-Time Object Detection”. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.

Shorten, C.; Khoshgoftaar, T. M. “A survey on image data augmentation for deep learning”. Journal of Big Data, v. 6, n. 1, p. 60, 2019.

Varghese, R.; Sambath, M. 2024. “YOLOv8: a novel object detection algorithm with enhanced performance and robustness”. In: International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS), 2024, Chennai, Índia. Anais… p. 1 6.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

Más recientes

09 de octubre de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

09 de octubre de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

09 de octubre de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

09 de octubre de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

09 de octubre de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

09 de octubre de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

09 de octubre de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Negocio Digital

09 de octubre de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Neurociencia Y Aprendizaje En La Educación

09 de octubre de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

También te puede interesar

09 de octubre de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

Este estudo analisou a relação entre colaborações de marcas, conhecidas como “collabs”, no setor de cosméticos e a produção de conteúdo gerado pelo usuário (UGC) em plataformas digitais. A pesquisa abordou a relevância do tema diante do crescimento do mercado de beleza e da intensificação das estratégias de “co-branding” como ferramenta de diferenciação e inovação. O objetivo principal foi compreender de que forma essas colaborações influenciaram o comportamento do consumidor digital, com foco na criação de UGC e na intenção de compra. Para isso, a metodologia adotada foi exploratória e descritiva, com a aplicação de um questionário online a 493 respondentes da região Sudeste do Brasil. Os dados coletados foram analisados por meio de estatística descritiva. Os resultados indicaram que, embora as “collabs” gerassem engajamento entre os consumidores, a produção de UGC ativo foi baixa, predominando interações passivas como curtidas, salvamentos e reações rápidas. Adicionalmente, as colaborações demonstraram influência limitada na intenção de compra e na disposição a pagar mais pelos produtos. Concluiu-se que, apesar do potencial estratégico das “collabs” para o mercado de cosméticos, sua efetividade dependeu de fatores como a relevância percebida, a identificação com a marca e a presença de estímulos adicionais para a criação de conteúdo pelo usuário.

Palavras-chave: Comportamento online; Co-branding; Engajamento do consumidor; Intenção de compra; Interação digital.

09 de octubre de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

O planejamento de vendas e estoques mostrou-se relevante para a tomada de decisão empresarial. O trabalho teve como objetivo desenvolver um modelo de previsão de vendas por produto, cliente e loja para os 12 meses subsequentes, utilizando dados históricos mensais. A metodologia baseou-se na aplicação de modelos da família ARIMA a 5.669 registros de vendas, abrangendo 745 combinações únicas de produto, cliente e loja, de janeiro de 2021 a dezembro de 2024. Realizou-se análise exploratória da série agregada, decomposição sazonal, testes de estacionariedade, análise de autocorrelação e identificação de modelos candidatos. A seleção dos modelos foi apoiada por procedimento stepwise e comparação walk-forward com estimador uniforme (SARIMAX). Os resultados indicaram que o modelo SARIMA(1,1,0)(1,0,0,12) apresentou desempenho superior ao ARIMA(1,1,1), com um MAPE de 13,51% e melhor aderência ao comportamento sazonal. Na aplicação granular, 122 séries receberam SARIMA, 247 receberam ARIMA e 376 utilizaram média histórica. Concluiu-se que a incorporação da componente sazonal fortaleceu a consistência metodológica e a utilidade prática do modelo para a previsão de vendas.

Palavras-chave: planejamento de estoques; SARIMA; sazonalidade; séries temporais.

09 de octubre de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

A disponibilidade de dados ambientais consistentes é fundamental para o avanço das pesquisas em climatologia e gestão de recursos hídricos. Desenvolveu-se e implementou-se um algoritmo computacional em linguagem R para a aquisição automatizada, padronização e organização de séries históricas diárias de precipitação, nível e vazão, provenientes do WebService da Agência Nacional de Águas e Saneamento Básico (ANA). O método baseou-se em um pipeline de dados estruturado, operando conforme as janelas temporais de 1961–1990, 1991–2020 e 2021–2024. A implementação utilizou processamento paralelizado, o que garantiu ganho de desempenho em relação a métodos sequenciais. Como resultado, o algoritmo qualificou o inventário de estações e gerou dados estruturados em formato Parquet com compressão gzip, assegurando alta performance e economia volumétrica. Concluiu-se que a solução automatizada superou as limitações operacionais de ferramentas manuais e preexistentes, provendo datasets curados e de alta granularidade, aptos para aplicações avançadas de modelagem hidrológica e algoritmos de Machine Learning.

Palavras-chave: Automação; Ciência de dados; Hidrologia; Linguagem R; Séries temporais.

09 de octubre de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

A gestão do tempo configura-se como um elemento essencial para a melhoria da produtividade e da qualidade das entregas, ao permitir a organização, priorização e execução eficiente das atividades, contribuindo diretamente para o alcance de metas e a otimização dos resultados no contexto profissional e pessoal. Objetivou-se compreender como práticas, ferramentas e técnicas de gestão do tempo, adotadas por instrutores de formação profissional rural e de promoção social, se associaram a dois desfechos centrais: a realização das atividades diárias planejadas e a percepção do impacto dessas práticas no bem-estar e produtividade. Os dados foram coletados por meio de questionário on-line estruturado, composto por 18 questões, e as análises foram realizadas no ambiente Python com bibliotecas estatísticas. Os resultados revelaram que a elevada formação acadêmica e maturidade profissional não se traduziu em maior eficácia na gestão do tempo. Observou-se amplo conhecimento sobre ferramentas e técnicas, mas sua utilização prática foi limitada e desigual. Ferramentas mais simples e intuitivas, como listas de tarefas, apresentaram maior adesão, enquanto técnicas que exigem transformações comportamentais, como a Técnica Pomodoro, tiveram baixa aplicação. Houve predominância do uso de soluções digitais, com destaque para o Google Agenda. Evidenciou-se uma percepção quase unânime de que a gestão do tempo influencia diretamente a produtividade e o bem-estar. Concluiu-se que a melhoria da gestão do tempo não dependeu exclusivamente da adoção de ferramentas e técnicas, mas, sobretudo, do desenvolvimento de habilidades práticas e comportamentais, aliado a ajustes nas condições de trabalho.

Palavras-chave: 5W2H; Matriz de Eisenhower; Matriz GUT; Multitarefa; Procrastinação.

09 de octubre de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

A necessidade de otimizar recursos e compreender a complexa dinâmica criminal motivou a exploração de dados periciais, frequentemente subutilizados em laudos textuais. Aplicou-se a Análise de Correspondência Múltipla (ACM) em atendimentos periciais na Macrorregião de Bauru, SP. O objetivo foi investigar e identificar padrões de associação entre o tipo de ocorrência, o período do dia, o dia da semana e a localização, visando subsidiar decisões operacionais. Utilizaram-se dados da Superintendência da Polícia Técnico-Científica (SPTC), coletados entre maio de 2023 e janeiro de 2026. A metodologia englobou a limpeza, transformação e categorização das variáveis, além da construção de matrizes de contingência processadas em Python. A análise descritiva inicial revelou que furtos e colisões predominaram no volume total de ocorrências, enquanto crimes violentos, como homicídios, estupros e feminicídios, representaram uma parcela menor, mas demandaram tempos de resposta significativamente maiores. A ACM mapeou visualmente as correlações estruturais, demonstrando associações claras entre crimes noturnos e de finais de semana com regiões específicas. Identificaram-se dois agrupamentos principais: um perfil noturno e de fim de semana, associado a choques, atropelamentos e suicídios, com destaque para Bauru; e um perfil diurno em dias úteis, dominado por furtos e danos à propriedade. Demonstrou-se que o uso de técnicas exploratórias de aprendizado de máquina transformou dados periciais brutos em informações estratégicas vitais, fornecendo subsídios para a alocação eficiente de equipes e fundamentando a elaboração de políticas públicas baseadas em evidências.

Palavras-chave: Crimes violentos; Matriz de contingência; Priorização de serviços; Python; Tempos de resposta.

09 de octubre de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

O prêmio de Most Valuable Player (MVP) da NBA possui grande relevância no basquete profissional, refletindo o reconhecimento de atletas e os padrões de votação. Um estudo desenvolveu e avaliou modelos de aprendizado de máquina supervisionado para prever o prêmio MVP da NBA, tratando o problema como uma tarefa de ordenação baseada na estimação do valor de “Share” da votação. Foram treinados e avaliados cinco algoritmos – Random Forest, LightGBM, XGBoost, CatBoost e NGBoost – utilizando dados históricos da NBA de 1996 a 2025, coletados do portal “Basketball Reference”. Os modelos foram testados nas temporadas de 2019 a 2025. O CatBoost alcançou o melhor desempenho na acurácia Top-5 (77,14%), identificando consistentemente os cinco principais candidatos. Random Forest, LightGBM e NGBoost empataram na acurácia Top-1 (42,86%), prevendo corretamente o vencedor em três das sete temporadas avaliadas. A análise de importância das variáveis indicou que o desempenho ofensivo individual, especialmente pontos por partida, e o desempenho coletivo da equipe, representado pelo percentual de vitórias, foram os principais determinantes das previsões. Os resultados demonstraram a viabilidade da abordagem proposta e seu elevado potencial para estudos futuros.

Palavras-chave: Aprendizado de máquina; Boosting; NBA; Predição esportiva; Random Forest.

09 de octubre de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Analisou-se o comportamento da Geração X na compra de materiais para construção, considerando a articulação entre canais digitais e físicos e as percepções de varejistas e indústrias sobre esse processo. O objetivo foi investigar como esse público utiliza os canais digitais e físicos no processo decisório e relacionar os achados às respostas de varejistas e indústrias. Realizou-se uma pesquisa descritiva e exploratória, com abordagem quantitativa e interpretação qualitativa, por meio de três questionários aplicados a 37 consumidores, 25 varejistas e 25 representantes da indústria. Os dados de cada grupo foram analisados separadamente e, em seguida, relacionados por eixos temáticos. Os resultados indicaram que os consumidores da Geração X utilizam meios digitais para pesquisa e comparação, mas valorizam a loja física para contato com o produto, confiança e atendimento consultivo. Os varejistas reconheceram a transformação, mas apresentaram diferentes níveis de adaptação, enquanto as indústrias relataram uso heterogêneo de tecnologias e reconheceram seu papel de apoio ao varejo. Concluiu-se que o comportamento da Geração X se caracteriza por uma jornada híbrida, que exige maior integração entre os canais e os agentes da cadeia de materiais para construção.

Palavras-chave: Comportamento do consumidor; Geração X; Jornada de compra híbrida; Transformação digital; Varejo de materiais para construção.

Negocio Digital

09 de octubre de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Um estudo analisou como as dimensões da experiência do cliente digital (controle percebido, conveniência do serviço, atendimento ao cliente e cumprimento dos serviços) influenciam a satisfação do consumidor em plataformas online para aquisição de produtos e serviços. Adotou-se uma abordagem quantitativa e descritiva, com dados primários coletados entre 02 e 13 de fevereiro de 2026, por meio de escalas validadas aplicadas a consumidores de e-commerce. A amostra, definida por conveniência, contemplou diversos perfis de usuários. Realizou-se análise descritiva para caracterização dos respondentes, seguida de análises de correlação e regressão linear múltipla para verificar as relações entre as variáveis. Os resultados evidenciaram que as dimensões Conveniência do Serviço, Cumprimento dos Serviços e Atendimento ao Cliente apresentaram associação positiva e estatisticamente significativa com a satisfação do consumidor. O Controle Percebido, contudo, não demonstrou influência significativa no modelo estimado. Esses achados contribuíram para a compreensão das relações entre a experiência digital e a satisfação do consumidor em plataformas de e-commerce.

Palavras-chave: Análise multivariada; Comércio eletrônico; Comportamento do consumidor; Experiência do usuário; Qualidade do serviço.

Neurociencia Y Aprendizaje En La Educación

09 de octubre de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Nas últimas décadas, observou-se uma transição educacional de modelos focados em conteúdo para o desenvolvimento de competências, impulsionada pela ubiquidade da informação. Nesse contexto, as habilidades de raciocínio tornaram-se pedagogicamente cruciais por embasarem a compreensão, relação e adaptação de conteúdos em cenários complexos. Com base nessa perspectiva, buscou-se consolidar um modelo detalhado das habilidades que compõem o raciocínio cognitivo, visando servir de base para a elaboração de currículos e programas pedagógicos. Para tanto, realizou-se uma pesquisa qualitativa e exploratória, que envolveu uma síntese multidisciplinar de conhecimentos da filosofia da mente, epistemologia, semiótica, psicologia cognitiva e neurociência. Essa abordagem proporcionou uma visão abrangente da natureza e das funções do raciocínio humano. O modelo resultante classificou as habilidades em quatro funções cognitivas principais, subdivididas em níveis crescentes de complexidade, que acompanharam o desenvolvimento cognitivo humano. A estrutura final mostrou-se bem fundamentada e aplicável à elaboração de currículos e programas pedagógicos, oferecendo uma taxonomia de habilidades do raciocínio diretamente utilizável no sequenciamento instrucional e na avaliação de competências cognitivas.

Palavras-chave: Currículo baseado em competências; Desenvolvimento cognitivo; Habilidades cognitivas; Pensamento crítico; Raciocínio cognitivo.

Marketing

09 de octubre de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión De Proyectos

25 de septiembre de 2026

¿La IA acelera las respuestas; quién asume las decisiones?

La velocidad de la tecnología solo se convierte en una ventaja cuando va acompañada de la capacidad de comprender, verificar y asumir la responsabilidad de los resultados. Imagine un equipo que comienza a producir en una tarde los análisis que antes requerían una semana. El cambio parece justificar la inversión en inteligencia artificial. Pero, antes de contabilizar la ganancia, cabe preguntar quién examinó […]

Innovación

14 de septiembre de 2026

No solo leemos palabras

Como nuevos códigos, tecnologías y formas de comunicación amplían aquello que necesitamos aprender a interpretar. Ser alfabetizado suele entenderse inicialmente como: reconocer letras, formar palabras, comprender frases y producir textos. Durante mucho tiempo, fue principalmente a partir de este dominio que definimos lo que significaba saber leer y, consecuentemente, participar de diferentes espacios de la sociedad. […]

Redes Sociales

14 de septiembre de 2026

El efecto de la influencia en el consumo

Lo que la investigación Youpix/Nielsen 2026 muestra sobre el avance de la Creator Economy En 2025, el 80% de los consumidores brasileños compraron algún producto recomendado por influencers. En 2026, el índice llegó al 81%. La estabilidad en un nivel tan elevado indica que la compra por influencia dejó de ser un comportamiento restringido a determinados públicos. El […]

Llamada De Artículos

11 de septiembre de 2026

Convocatoria de artículos – Edición Temática Gestión de Personas

Submissions open from 11/09/2026 to 30/09/2026 Submissions are open for the Thematic Call People Management 2026, from the magazine Estratégias & Soluções (E&S). The call will be organized into two editorial streams: Stream 1 – Final outstanding works of the MBA USP/Esalq Destined for the TCCs of the People Management course of the MBA USP/Esalq that obtained […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]