Cómo ganar $11,000 al mes con visión artificial usando IA

Una guía completa para principiantes sin conocimientos de programación.

Mercado internacional. Ingresos en dólares.

Cómo usar esta guía. Léela en orden.

Las Partes 1–3 te ayudan a entender de qué se trata y cómo pensar al respecto.

Las Partes 4–5 son prácticas: ejecutas tu primer código.

Las Partes 6–8 convierten la habilidad en dinero.

Al final hay una sección de preguntas frecuentes y un glosario (si encuentras una palabra que no conoces, búscala ahí).

Tabla de Contenidos

1. Qué es esto y por qué la gente paga por ello
2. Tus herramientas -> qué son y por qué (en palabras sencillas)
3. Cómo trabajar con IA -> tu habilidad principal en lugar de la programación
4. Ejecutar tu primer código en Google Colab -> paso a paso
5. El kit de scripts listos para usar (con una explicación de lo que hace cada uno)
6. Portafolio -> tres proyectos que se venden
7. Dónde encontrar clientes y cuánto cobrar (con plantillas en inglés)
8. Tu plan para los primeros 90 días
9. Referencias de ingresos
10. Preguntas frecuentes (FAQ)
11. Lo que NO debes hacer
12. Glosario

Parte 1. Qué es esto y por qué la gente paga por ello

Visión por computadora es una tecnología que permite a una computadora "mirar" una foto o video y entender lo que hay en ella: qué objetos están presentes, dónde están, hacia dónde se mueven, cuántos hay. Esencialmente, es lo mismo que hacen el ojo y el cerebro humanos -> solo que de forma automática y a través de cualquier cantidad de cámaras al mismo tiempo.

Los cuatro videos que iniciaron todo esto no son tutoriales de juguete -> son cuatro tareas comerciales reales:

• Contar objetos -> almacenes, inventario, control de existencias.
• Rastrear y contar personas/vehículos -> tiendas (cuántas entraron), carreteras (cuántos pasaron).
• Estimación de velocidad -> control de tráfico, seguridad vial y en obras.
• Análisis deportivo -> seguimiento de jugadores, desglose de partidos (una industria enorme).

Las empresas pagan constantemente por cosas como estas: comercio minorista, seguridad, tráfico vehicular, manufactura (control de defectos), agricultura, deportes, logística.

¿Por qué una persona sin título y sin saber programar puede hacer esto ahora? Porque aparecieron dos cosas:

1. Herramientas listas para usar que ya saben cómo "ver" (no hay que inventarlas -> solo las ejecutas).
2. Asistentes de IA que escriben y corrigen código por ti.

Antes esto requería un ingeniero con años de experiencia. Ahora tu trabajo es ensamblar bloques ya hechos y explicarle a la IA lo que necesitas.

Una charla honesta sobre lo que realmente funcionará:

• Este camino lleva mejor que nada a trabajo freelance y proyectos llave en mano -> le construyes al cliente un sistema funcional (por ejemplo, conteo de visitantes) y te pagan por el resultado. Este es el camino principal (Camino B más abajo).
• Es más difícil y lento para conseguir empleos de ingeniería a tiempo completo en una empresa: en las entrevistas aún te pedirán que escribas código en vivo, y la IA por sí sola no es suficiente. La gente llega ahí una vez que tiene experiencia en proyectos (Camino A).

En otras palabras, el dinero llega más rápido de clientes por trabajo terminado, no como una oferta de una gran corporación.

Parte 2. Tus herramientas -> qué son y por qué

No te asustes por los nombres. Esto es lo que significa todo en lenguaje sencillo:

• YOLO -> el "ojo". Un modelo ya hecho que encuentra objetos en una imagen y dibuja un recuadro alrededor con una etiqueta ("persona", "auto"). Se descarga con una sola línea, se usa de inmediato.
• ByteTrack -> la "memoria". Por sí solo, YOLO ve cada fotograma desde cero. ByteTrack vincula objetos entre fotogramas y les asigna números (IDs), para que entienda: esta persona en el segundo 1 y en el segundo 5 es la misma. Sin esto no puedes contar ni medir movimiento.
• Supervision -> el "kit de construcción". Una biblioteca de bloques listos: dibujar recuadros, agregar una línea de conteo, definir una zona, contar cruces. Convierte "el modelo ve objetos" en "el programa cuenta entradas y salidas".
• Roboflow -> la "plataforma casi sin código". En el navegador: etiquetas tus datos con el mouse, entrenas un modelo en un par de clics y obtienes una API lista. Y en la sección Roboflow Universe hay miles de modelos ya entrenados -> a menudo no tienes que entrenar nada, solo tomar uno ya listo.
• Google Colab -> la "computadora en tu navegador". Un entorno gratuito donde el código se ejecuta en los servidores de Google. No necesitas una PC potente ni instalas nada: abres la página, pegas el código, presionas el botón.
• Asistente de IA (Claude, ChatGPT, Gemini) -> "tu programador". Escribe código para tu tarea, lo modifica y corrige errores. Para quienes quieren construir una aplicación real, está Cursor -> un editor donde la IA escribe casi todo el código por sí misma.

Cómo funciona todo junto (el flujo de trabajo):

Video →

YOLO

encuentra los objetos →

ByteTrack

les asigna números →

Supervision

cuenta por línea/zona → obtienes el resultado (video anotado + números). Todo esto se ejecuta en

Colab

, y el código lo escribe y corrige la

IA

. Si necesitas objetos no estándar, entrenas un modelo en

Roboflow

.

Parte 3. Cómo trabajar con IA -> tu habilidad principal

En esta configuración, tu verdadera habilidad no es Python -> es la capacidad de explicar claramente la tarea a la IA y unir las piezas. Es como trabajar con un asistente muy capaz: cuanto más clara sea la tarea, mejor será el resultado.

La regla de oro: cualquier error que lance Colab, cópialo completo y dáselo a la IA -> ella arreglará el código para la versión actual de la biblioteca. Las versiones cambian, el código a veces se rompe -> eso es normal, para eso está la IA. Nunca te quedes estancado luchando con un error tú mismo.

Plantillas de prompts que cubren el 90% de las tareas:

Adaptar un script para ti:

"Aquí hay un script de Python funcional que usa la biblioteca supervision [pega el código]. No soy programador. Cámbialo para que cuente solo personas, no todos los objetos. Devuelve el código completo."

Corregir un error:

"Ejecuté este código en Google Colab [pega el código] y obtuve este error: [pega todo el texto del error]. Arregla el código para la versión actual de la biblioteca y devuelve la versión corregida completa."

Entender lo que hace el código:

"Explica en palabras sencillas, sin jerga técnica, qué hace este script y qué veré como resultado."

Ajustarlo a un video específico:

"Ayúdame a establecer las coordenadas de la línea de conteo para un video de 1280 de ancho y 720 de alto. La línea debe ir horizontalmente por el centro."

Construir una nueva funcionalidad:

"Basándote en este script, agrega un conteo separado por tipo: cuántos autos y cuántos camiones pasaron. Devuelve el código completo."

Escribir texto (currículum, README, propuesta para cliente):

"Escribe una descripción corta en inglés de un proyecto de conteo de visitantes para mi GitHub: el problema, la solución, qué tecnologías, cómo ejecutarlo."

Errores comunes de principiantes al trabajar con IA:

• Darle a la IA un fragmento en lugar del código completo -> así que lo corrige a ciegas. Dale el script completo.
• Escribir "no funciona" en lugar del texto del error. Siempre pega el error completo.
• Editar el código al azar manualmente. No le pidas a la IA que haga el cambio y devuelva la versión terminada.

Y lo más importante -> siempre verifica el resultado. La IA puede producir con confianza un código que se ejecute pero que cuente lo incorrecto. Abre el video de salida, échale un vistazo para confirmar que los recuadros están en los objetos correctos y los números parecen plausibles. Esa es tu responsabilidad, no la de la IA.

Parte 4. Ejecutar tu primer código en Google Colab -> paso a paso

Esta es la parte "más aterradora" para un principiante, pero en realidad son 5 minutos. Aprende a hacerlo una vez.

1. Abre colab.research.google.com (inicia sesión con una cuenta de Google) → haz clic en New notebook.
2. Verás un cuadro vacío -> eso es una celda. Aquí es donde va el código. A la izquierda de la celda está el botón ▶ (ejecutar).
3. Pega el Script 0 (instalación de las bibliotecas) en la primera celda y presiona ▶. Espera de 20 a 60 segundos -> aparecerán líneas de texto, eso es normal.
4. Obtén un video de prueba. La forma más sencilla es la muestra incorporada. Crea una nueva celda (el botón "+ Code") y ejecuta:

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video descargado:", path)   # este es el archivo people-walking.mp4

O sube tu propio video:

1from google.colab import files
2uploaded = files.upload()   # elige un archivo; recuerda su nombre y colócalo en el script en lugar de input.mp4

• Pega el script que necesites (por ejemplo, el Script 3) en una nueva celda. Corrige el nombre del archivo de entrada si es necesario. Presiona ▶.
• Descarga el resultado a tu computadora:

1from google.colab import files
2files.download("output_count.mp4")

Si algo sale mal:

• "No such file" / archivo no encontrado -> el nombre del video en el script no coincide con el real. Verifica el nombre del archivo.
• Lento y pesado -> activa la GPU gratuita: menú Runtime → Change runtime type → GPU.
• Cualquier error en rojo -> cópialo completo y dáselo a la IA (la regla de oro).

Parte 5. El kit de scripts listos para usar

No necesitas entender estos scripts línea por línea. Ejecútalo, si hay un error, dáselo a la IA. Cada uno viene con una explicación en lenguaje sencillo.

Script 0 -> instalación (ejecuta esto siempre primero)

1!pip install ultralytics supervision -q

Qué hace: instala el "ojo" (YOLO) y el "kit de construcción" (Supervision). Se hace una vez por sesión.

Script 1 -> encontrar y etiquetar objetos en un video

Qué hace: dibuja recuadros con etiquetas alrededor de todos los objetos. Esta es la verificación básica de que todo funciona.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # el modelo "ojo", se descarga automáticamente
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Listo: output_detect.mp4")

Script 2 -> seguimiento con números (IDs)

Qué hace: asigna a cada objeto un número persistente y lo mantiene mientras el objeto está en el cuadro. La base para contar y medir movimiento.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Listo: output_track.mp4")

Script 3 -> conteo de cruces de línea (el principal, el comercial)

Qué hace: cuenta cuántos objetos cruzaron una línea imaginaria en cada dirección. Esto es exactamente "cuántos visitantes entraron" o "cuántos autos pasaron".

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Línea de conteo: ajusta las coordenadas (x, y en píxeles) a tu video.
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # PARA CONTAR SOLO PERSONAS — elimina el # de la línea de abajo (0 = persona):
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"Entradas: {line_zone.in_count} | Salidas: {line_zone.out_count}")

Guardar el conteo en un archivo (puedes entregárselo al cliente)

Agrega esto al final, después de que el video sea procesado:

1with open("counts.txt", "w") as f:
2    f.write(f"Entradas: {line_zone.in_count}\n")
3    f.write(f"Salidas: {line_zone.out_count}\n")
4print("Números guardados en counts.txt")

Cualquier cosa más difícil -> dásela a la IA (no la escribas tú mismo)

• Estimación de velocidad de vehículos: "Basándote en YOLO y la biblioteca supervision, escribe un script para Google Colab que estime la velocidad de los autos en un video de dashcam/cámara de carretera. Explica en palabras sencillas, en detalle, cómo configurar la perspectiva para mi fotograma. No soy programador, dame el código completo y listo."
• Conteo dentro de un área (en lugar de por una línea) -> por ejemplo, cuántas personas hay en una zona de espera: "Reelabora el script para que cuente el número de personas dentro de una zona rectangular en el video (usa PolygonZone de supervision). Da el código completo y explica cómo establecer las coordenadas de la zona."
• Objetos personalizados (productos, defectos, animales que no están en el modelo estándar): etiqueta un conjunto de datos en Roboflow a través del navegador, entrénalo allí, obtén tu modelo y pídele a la IA que lo integre en el Script 3.

Parte 6. Portafolio -> tres proyectos que se venden

Un portafolio importa más que un título: en el mercado internacional miran el resultado que has mostrado, no las credenciales. Necesitas 3 demostraciones cortas para nichos reales.

Dónde conseguir videos gratuitos para demostraciones (sin problemas de derechos de autor):

• La muestra incorporada de Supervision (ver Parte 4) -> el inicio más rápido.
• Pexels y Pixabay -> videos de stock gratuitos de personas, calles, autos, con licencia para usar.

Los tres proyectos:

1. Conteo de visitantes para una tienda. Script 3 con filtro solo de personas, línea en la entrada. Muestras: el video con recuadros y un contador + los números finales. A quién se lo vendes: comercio minorista, cafeterías, centros comerciales.
2. Conteo y seguimiento de autos. Script 3 en imágenes de carretera/estacionamiento. A quién se lo vendes: operadores de estacionamientos, servicios viales, análisis de tráfico.
3. Un objeto personalizado a través de Roboflow. Etiquetas algo no estándar (por ejemplo, botellas en una línea, o defectos) y lo cuentas. Muestra que puedes trabajar con los datos del cliente. A quién se lo vendes: manufactura, almacenes, agricultura.

Cómo empaquetar cada proyecto:

• Graba un video de demostración del resultado (10–30 segundos). Graba la pantalla del video de salida -> cualquier grabador de pantalla sirve, o simplemente sube un clip corto a YouTube como "no listado".
• Ponlo en GitHub (un sitio gratuito para código y proyectos). Deja que la IA escriba los archivos y el texto de descripción (README): "Escribe un README en inglés para un proyecto de conteo de visitantes en video. Divídelo en: el problema, qué hace la solución, qué tecnologías (YOLO, ByteTrack, Supervision), cómo ejecutarlo en Google Colab. Corto y claro."
• Opcional -> una demostración en vivo. Puedes desplegarlo gratis en Hugging Face Spaces (una plataforma donde tu demo se ejecuta en línea y se puede abrir con un enlace) o a través de la API lista de Roboflow. Esto aumenta enormemente la confianza del cliente. Cómo hacerlo -> pregúntale a la IA.

Parte 7. Dónde encontrar clientes y cuánto cobrar

Los clientes de EE. UU./Europa pagan en dólares. La plataforma principal para empezar es Upwork.

Paso 1. Tu perfil de Upwork

El título debe ser una especialidad estrecha, no "desarrollador de IA en general". Ejemplo (puedes usarlo tal cual):

Ingeniero de Visión por Computadora

->

Detección de Objetos, Seguimiento y Conteo de Personas/Vehículos

El texto de "Resumen" -> un ejemplo en inglés:

I build computer vision systems that detect, track, and count objects in video -> people counting for retail, vehicle counting for traffic and parking, and custom object detection for manufacturing and inventory.Stack: YOLO, ByteTrack, Supervision, Roboflow, Python. I deliver working solutions with annotated output video and exportable counts (CSV/report).See my demos below. Tell me your use case and I'll show you exactly what's possible.

En el portafolio del perfil -> tus tres demostraciones con videos y enlaces a GitHub.

Paso 2. Tus primeras reseñas

Esto lo decide todo al principio. Toma tus primeros 3–5 trabajos a una tarifa ligeramente por debajo del mercado (por ejemplo, $30–45/hora en lugar de $60+) para obtener rápidamente reseñas y una calificación. Luego sube tu tarifa de inmediato -> mantener una tarifa baja después de buenas reseñas es dejar dinero sobre la mesa.

Paso 3. Responder a un trabajo (propuesta)

No escribas un muro de texto. Estructura: "Entiendo la tarea → ya he construido exactamente esto → cómo y por cuánto lo haré." Ejemplo en inglés:

Hi! You need to count [people/vehicles] in your video footage -> I've built exactly this. Here's a 20-second demo of my counting system: [link].For your project I'll: detect and track the objects, set up a counting line/zone, and give you the annotated video plus the final counts in a report.I can deliver a first working version in [3–5] days. Happy to do a quick test on a short clip of your footage first, free of charge.

Una prueba gratuita en un clip corto del material del cliente elimina la mitad de las dudas y a menudo cierra el trato.

Paso 4. Qué preguntarle al cliente de antemano (para no equivocarte)

• ¿Qué estamos contando/detectando exactamente (personas, autos, un producto específico)?
• ¿De dónde viene el video: un archivo listo, una cámara, una transmisión en línea (RTSP)?
• ¿Qué se necesita como resultado: video anotado, números en una tabla, un panel en vivo, alertas?
• ¿Qué precisión es suficiente y cuál es la fecha límite?
• ¿Cuál es el presupuesto?

Paso 5. Precios y tarifas

• Por hora: empieza en $30–45 (para reseñas) → luego avanza con confianza hacia el mercado: junior $50–80, intermedio $80–120, senior $120–200+. La tarifa media de freelance en ML es de ~$100/hora.
• Por proyecto (precio fijo): un sistema de conteo llave en mano simple, un punto de partida de $300–1500; los sistemas serios van desde $5k y mucho más (en el mercado, los proyectos alcanzan $250k+).
• Tarifa de Upwork -> variable 0–15%, generalmente ~10% (con una tarifa de $50, recibes ~$45). Incorpóralo en tu precio.

Paso 6. Dónde crecer

• Toptal -> una plataforma con un filtro del 3% superior, tarifas más altas y clientes más sólidos. Ve allí una vez que ya tengas un portafolio y reseñas.
• Fiverr -> puedes configurar un "servicio empaquetado" (por ejemplo, "Configuraré el conteo de personas en tu video por $X") y recibir trabajos de forma más pasiva.

Parte 8. Tu plan para los primeros 90 días

Período

Qué haces

Resultado

Semana 1

Entendiste Colab, ejecutaste los Scripts 1–3 en un video de prueba

El código funciona en tus manos

Semanas 2–3

Construiste 3 demostraciones de nicho en tus propios videos, grabaste clips

Demostraciones listas

Semana 4

GitHub + empaquetado en inglés (texto de la IA)

Portafolio en línea

Semana 5

Perfil de Upwork, primeras propuestas

Primeras propuestas enviadas

Semanas 6–10

Propuestas activas (10–20/semana), pruebas gratuitas para clientes

Primer trabajo y reseña

Semanas 11–13

Entregas el trabajo, recoges reseñas, subes tu tarifa

Primer dinero, aumento de tarifa

No te desanimes si el primer trabajo no llega de inmediato -> al principio eso es normal; el camino a menudo toma de 1 a 3 meses de esfuerzo activo.

Parte 9. Referencias de ingresos (USD, 2026)

Canal

Junior

Intermedio

Senior

Freelance ($/hora)

$50–80

$80–120

$120–200+

Proyecto llave en mano

desde ~$10k

—

hasta $250k+

Empleo a tiempo completo en EE. UU. ($/año)

~$102k

~$130–165k

$200k–266k+

El mercado de visión por computadora está creciendo: aproximadamente $22 mil millones en 2024 → una previsión de ~$111 mil millones para 2033. La demanda está de tu lado.

Parte 10. Preguntas frecuentes (FAQ)

¿Necesito una computadora potente? No. Google Colab te da acceso gratuito a servidores potentes con una GPU en la nube. Puedes trabajar incluso desde una laptop débil o una tableta.

¿Tengo que pagar por algo? Básicamente todo es gratuito: Colab (nivel gratuito), YOLO/Supervision (código abierto), Roboflow (plan gratuito), GitHub. Empiezas a pagar solo cuando los proyectos crecen (Colab/nube de pago).

¿Es legal? Las herramientas en sí -> sí, son abiertas y legales. Pero cuando trabajas con cámaras y personas reales, existen leyes de privacidad y datos. No publiques imágenes de otras personas sin permiso y discute con el cliente que tiene derecho a esos datos.

¿Qué pasa si la tarea del cliente no es como los scripts? Para eso está la IA: divide la tarea en partes y pide ayuda. Si la tarea está realmente más allá de lo que puedes hacer, es mejor rechazarla honestamente que incumplir el plazo.

¿Qué tan rápido llegará el primer dinero? Realistamente -> desde unas pocas semanas hasta un par de meses con esfuerzo activo. Esto no es un "botón de dinero", es una habilidad que tienes que vender.

¿Necesito matemáticas y teoría? Para este camino asistido por IA -> no. Entender los conceptos básicos ayudará más adelante, cuando quieras emprender proyectos complejos o buscar trabajo a tiempo completo.

¿Funcionará en tiempo real / con una cámara en vivo? Colab gratuito es suficiente para demostraciones y procesamiento de archivos. Para una transmisión en línea (RTSP) y tiempo real necesitas más recursos -> la IA te dirá cómo configurarlo.

Parte 11. Lo que NO debes hacer

• No vayas al mercado sin poder "entregar un resultado". "Funcionó en mi máquina" no es suficiente -> el cliente necesita un resultado claro (video + números + un informe breve).
• No copies tutoriales puros uno a uno. Necesitas demostraciones en tus propios videos y para un nicho específico.
• No te estanques en una tarifa baja. Súbela después de tus primeras reseñas.
• No confíes ciegamente en el código de la IA. Siempre abre el resultado y verifica visualmente que cuente correctamente.
• No te disperses en "IA en general". Una especialidad estrecha (conteo/seguimiento/análisis de video) se vende por más y es más fácil de entender.

Parte 12. Glosario

• Modelo -> un programa entrenado que reconoce algo (ej. YOLO reconoce objetos).
• Dataset -> un conjunto de imágenes/videos del que el modelo aprende.
• Etiquetado / anotación -> cuando delineas los objetos necesarios en las imágenes con el mouse para que el modelo entienda qué buscar (se hace en Roboflow).
• Bounding box -> el recuadro rectangular alrededor de un objeto detectado.
• Clase -> el tipo de objeto: "persona", "auto", "botella".
• Confianza -> qué tan seguro está el modelo sobre una detección (de 0 a 1).
• Inferencia -> el momento en que el modelo se ejecuta y reconoce algo (a diferencia del entrenamiento).
• Entrenamiento -> el proceso donde el modelo aprende de un dataset para tu tarea.
• Seguimiento / ID -> seguir un solo objeto a través de cuadros con un número persistente.
• API -> una forma de acceder al modelo "a través de internet": envía una imagen, obtén un resultado, sin necesidad de tu propio código de modelo.
• FPS -> cuadros por segundo; mientras más alto, más "en tiempo real" es el procesamiento de video.
• RTSP -> el formato de una transmisión en vivo desde una cámara de vigilancia.
• GPU -> un procesador potente para tarjetas gráficas; acelera los modelos (en Colab es gratis en la nube).

Todas las cifras son referencias de mercado para 2026 y dependen de tu nivel, nicho y del cliente/empleador específico.

A todos los que lo han leído y quieren intentarlo, les deseo éxito 🩷

Guárdalo en tus marcadores para no perderlo