Cómo Detectar Teléfonos en Clase con Inteligencia Artificial (YOLO)

Detectar el uso de teléfonos en clase con inteligencia artificial consiste en pasar el video de una cámara web normal por un modelo de detección de objetos YOLO que revisa tres señales a la vez — teléfono visible, posición de las manos y cabeza inclinada hacia abajo — y solo marca una sesión cuando esas señales se combinan en un nivel de confidence suficientemente alto, registrando después cuándo comenzó, cuándo terminó y cuánto duró.

Por qué construir esto en lugar de solo pedirles a los estudiantes que guarden el teléfono

El objetivo de este sistema no es atrapar estudiantes por atraparlos. Es proteger el tiempo de clase. Si un estudiante está haciendo scroll en TikTok durante la lección, no está escuchando al profesor, no está aprendiendo el material y no está haciendo la escritura o las tareas que realmente lo hacen avanzar. Una cámara que pueda detectar silenciosamente cuándo está pasando esto — con datos reales en lugar de la impresión del profesor — convierte un problema de disciplina en un problema de medición, que es mucho más fácil de resolver.

Cómo funciona la detección

El núcleo del sistema es un script en Python construido sobre YOLO, un modelo de detección de objetos desarrollado por otro equipo y disponible públicamente en GitHub. Una cámara web normal captura video en vivo, y el modelo no solo busca "un rectángulo que podría ser un teléfono". Revisa tres cosas a la vez: si hay un teléfono visible en el cuadro, si las manos están posicionadas cerca de las piernas (la postura clásica de teléfono debajo del escritorio), y si la cabeza está inclinada hacia abajo.

Combinar esas tres señales es lo que evita las falsas alarmas. Un estudiante que mira hacia abajo un libro de texto o se rasca la pierna no activa las tres señales a la vez, así que el nivel de confidence se mantiene bajo y no se registra nada. Solo cuando las señales coinciden, el sistema lo trata como un evento real de uso de teléfono.

Qué se registra, y qué tan buenos son los datos

Cada sesión detectada se registra con la hora de inicio, la hora de fin, la duración total y un nivel de confidence. En las pruebas, un uso de cinco o siete segundos quedó registrado con un nivel de confidence de hasta 0.97, bastante alto y representando información confiable. Cuanto más cerca esté ese número de 1.0, más seguro está el sistema de que el estudiante realmente estaba usando el teléfono en esa sesión específica.

No es una alerta vaga de "el estudiante parecía distraído". Es un evento con marca de tiempo y un nivel de confianza medible, que es exactamente el tipo de dato que una escuela necesita antes de actuar sobre algo tan sensible como monitorear el comportamiento de un estudiante.

De la detección a un informe en el escritorio de alguien

Detectar el comportamiento solo es útil si llega a la persona correcta sin trabajo manual extra. Una vez que se registra una sesión, se genera un documento — un evento — que se puede enviar automáticamente al profesor, al director o al personal de la escuela, notificando qué estudiante está usando el teléfono en exceso. Nadie tiene que sentarse a revisar el video de la cámara; solo ve el informe del evento.

Limitaciones reales, y qué las mejoraría

La principal limitación es el hardware: esta versión corrió con la cámara de una computadora de 2017, de baja calidad. La detección mejoraría bastante con una cámara de mayor calidad, mejor ubicada, e incluso con infrarrojo para poder grabar de noche o con las luces apagadas. Otra limitación, y vale la pena ser honesto sobre esto, es que el modelo de IA — YOLO — fue desarrollado por otra compañía. No es un modelo malo, funciona muy bien; simplemente no se desarrolló desde cero para este proyecto, sino que se está usando una tecnología que ya es muy efectiva tal como está.

Privacidad por diseño: metadatos, no vigilancia en video

Vale la pena ser claro sobre lo que este sistema captura y lo que no captura. No guarda un video que un profesor pueda revisar después para ver a un estudiante. Registra metadatos de la sesión — hora de inicio, hora de fin, duración y nivel de confidence — y eso es lo que se exporta a un CSV o a una hoja de Google Sheets y se envía al director o al profesor. Esa diferencia es importante para cualquier escuela que considere algo así: el resultado es un registro de eventos auditable, no un archivo de vigilancia en video.

Construido con una herramienta de IA, y con planes de abrirse como código abierto

El modelo YOLO en el que se basa este sistema es de código abierto y está disponible en GitHub, y la intención es publicar también el código de este proyecto ahí, para que otras escuelas o desarrolladores puedan revisarlo, reutilizarlo o mejorarlo en lugar de tratarlo como una caja negra. Esto le tomó a Mr. Mando aproximadamente una semana de prueba y error para llegar a esta versión funcional.

Para quién es realmente esto

Este proyecto empezó pensando en una sola aula, pero la misma lógica de detección — tres señales combinadas que alimentan un nivel de confidence, registradas como eventos con marca de tiempo en lugar de video crudo — no es exclusiva de los teléfonos ni de los salones de clase. Las escuelas son un caso natural porque el problema (una distracción genuinamente difícil de detectar de forma consistente con solo la mirada de un profesor) es común, y la solución (detección consistente, objetiva y registrada) lo resuelve directamente.

Puntos clave

• El sistema combina tres señales — teléfono visible, posición de las manos, inclinación de la cabeza — en un solo nivel de confidence, en lugar de confiar en una sola señal.
• Está construido sobre YOLO, un modelo de detección de objetos ya existente, corriendo sobre el video de una cámara web normal a través de un script en Python.
• Cada sesión registra hora de inicio, hora de fin, duración y nivel de confidence, hasta 0.97 en las pruebas, así que el dato es específico y verificable, no solo una alerta vaga.
• Los informes se pueden enviar automáticamente al profesor, al director o al personal de la escuela, sin que nadie tenga que revisar el video manualmente.
• La limitación más grande hoy es la cámara; una de mayor calidad y con infrarrojo es el camino más claro para mejorar la precisión.
• El modelo YOLO en sí funciona bien; la limitación está en el hardware disponible, no en el enfoque de detección.

Esto nació como un proyecto para un solo salón de clases, con una sola cámara, pero la misma lógica de detección puede escalar a más aulas una vez que se resuelven las limitaciones de hardware mencionadas antes. No es un cambio en el modelo de IA, es simplemente más cámaras y mejor posicionadas, usando exactamente el mismo enfoque de tres señales combinadas.

¿Quiere algo similar para su escuela o negocio?

Un sistema de visión por computadora como este se puede adaptar a otras necesidades de monitoreo más allá de una sola cámara en un aula.