Geoetiquetar fotos familiares escaneadas: una guía práctica
Has escaneado una caja de fotos familiares y ahora tienes cientos de JPEG sin GPS, sin fechas, sin metadatos. Así es como el reconocimiento visual con IA recupera la ubicación — qué funciona, qué no y un flujo de trabajo paso a paso.
Has escaneado 500 fotos de los álbumes de tu abuela. Las fechas en las propiedades del archivo son todas iguales — el día que las escaneaste. Los nombres son IMG_001.jpg hasta IMG_500.jpg. ¿Y el campo GPS, el que Apple Photos usa para colocar tus fotos en un mapa? Vacío en todas y cada una. Así es como pones esas fotos de vuelta donde pertenecen.
TL;DR: Las fotos escaneadas son el peor caso para el geoetiquetado tradicional — no tienen EXIF GPS, no tienen timestamps originales, no hay nada a lo que aferrarse. El reconocimiento visual con IA es una de las pocas herramientas que pueden ayudar, porque trabaja desde lo que la foto muestra en lugar de lo que tiene adjunto. Sube el lote, deja que la IA proponga ubicaciones a partir de arquitectura, señales y puntos de referencia, y luego acepta o corrige cada sugerencia. La exportación escribe etiquetas GPS estándar que cualquier herramienta de árbol genealógico puede leer.
Por qué las fotos escaneadas rompen el geoetiquetado tradicional
Toda herramienta importante de organización fotográfica — Apple Photos, Lightroom, digiKam, incluso Google Photos — asume que la foto llega con algo con lo que trabajar. El chip GPS de una cámara escribe coordenadas dentro del JPEG. Un móvil registra el timestamp de cuando se tomó la foto. Incluso las cámaras digitales más antiguas estampan la fecha y el modelo de cámara. Las herramientas de geoetiquetado se construyen sobre ese andamiaje.
Las copias escaneadas no tienen nada de eso. El escáner escribe su propio EXIF — modelo de escáner, fecha de escaneo, perfil de color — pero la única fecha que una herramienta de fotos puede encontrar es la del escaneo, que es cuando pasaste el escáner, no cuando se tomó la foto. El campo GPS está vacío porque el fotógrafo original de 1962 no llevaba un receptor de satélite. Incluso la marca y el modelo de cámara suelen faltar, porque la mayoría de los escáneres de consumo no preguntan con qué cámara se hizo la copia original.
Si intentas usar el editor de geolocalización de digiKam o la vista de mapa de Apple Photos sobre una biblioteca escaneada, las herramientas funcionan — pero estás partiendo de cero. No hay un track GPX contra el que cotejar, no hay metadatos de los que inferir, no hay atajo. Estarías introduciendo cada coordenada a mano, foto por foto.
Lo que el reconocimiento visual con IA puede ver
Aquí es donde la IA cambia las cuentas. Un modelo de visión no necesita EXIF — trabaja desde los píxeles. Entrenado sobre suficientes imágenes de lugares, señales, vehículos y arquitectura, puede inferir la ubicación a partir de pistas que una persona también usaría, solo que mucho más rápido.
Lo que sobrevive al escaneo y le da material a la IA:
- Arquitectura. Una casa ranch de Levittown de los 50 no tiene nada que ver con una vivienda Spanish Revival de los 20 en Pasadena ni con una casa adosada de ladrillo en Brooklyn. La pendiente del tejado, las proporciones de las ventanas, los materiales y el trazado de la calle son sorprendentemente específicos.
- Señalización. Letreros de calle, rótulos de tiendas, matrículas, códigos postales — incluso parcialmente legibles — acotan ciudad o país rápido.
- Puntos de referencia. Catedrales, puentes, torres distintivas, siluetas de montaña. Son los aciertos fáciles; la IA los clava a nivel de calle.
- Vehículos. Un Plymouth Fury en la entrada sugiere Norteamérica entre 1958-1964. Un Citroën DS sugiere Francia o mercados influenciados por Francia. Época y lugar a la vez.
- Vegetación y terreno. Los saguaros significan Arizona o Sonora. Buganvillas con tejados de teja significan Mediterráneo. Abedules pelados con nieve significan norte de Europa o Canadá.
- Moda de época. Útil para datar fotos, lo que entonces estrecha las ubicaciones plausibles (el viaje a Florida de tu tía abuela en 1972 vs su luna de miel en Vermont en 1948).
Con lo que no puede ayudar: interiores sin ventana, retratos cerrados con fondo borroso, escenas suburbanas o rurales genéricas sin puntos de referencia, y "fotos de fotos" (cuando alguien fotografió una copia existente en lugar de escanearla). En esos casos etiquetas a mano o saltas.
El flujo de trabajo paso a paso
- Escanea a JPEG a 300 DPI o más. Vale cualquier escáner plano. Una resolución mayor ayuda a la IA a captar detalles finos como rótulos y matrículas, pero los 300 DPI estándar bastan para reconocer puntos de referencia y arquitectura.
- Sube el lote a RetroTagr. Arrastra la carpeta al dashboard o usa la importación masiva. Las subidas corren en segundo plano; puedes seguir trabajando.
- La IA sugiere ubicaciones con puntuaciones de confianza. Cada foto recibe una coordenada (o "sin sugerencia" para las que no puede leer) más una banda de confianza — alta, media o baja.
- Revisa. Acepta las sugerencias de confianza alta en lote. Abre las de confianza media para verificar o ajustar el pin. Para las de confianza baja o "sin sugerencia", o las etiquetas a mano con el mapa o las marcas como no etiquetables.
- Exporta. RetroTagr escribe etiquetas GPS EXIF estándar en los JPEG. Descarga las versiones etiquetadas.
- Importa a tu biblioteca. Colócalas en Apple Photos, Lightroom o tu herramienta de árbol genealógico. Las ubicaciones aparecen automáticamente en la vista de mapa — igual que las fotos hechas con un móvil moderno.
El bucle entero para un álbum de 500 fotos suele llevar 30-60 minutos de tiempo real de revisión, dependiendo de lo reconocibles que sean las ubicaciones.
Cómo se ve esto en la práctica
Algunos patrones que hemos visto en proyectos reales de fotos escaneadas (anonimizados, sin detalles identificativos):
Una casa adosada de ladrillo al fondo, dos adultos delante, ropa de finales de los 50. La IA señaló la arquitectura como típica de los brownstones de Brooklyn. Una esquina tenue de un letrero de calle en la parte superior derecha lo fijó en un barrio concreto. Confianza: alta. Aceptado con un clic.
Una foto de playa. Dos niños, ningún punto de referencia, arena vacía, mar genérico. La IA devolvió "sin sugerencia". La familia sabía que eran los Outer Banks de un viaje de 1968. Etiquetada a mano con el mapa. Tres segundos.
Una toma de una pareja delante de un edificio con señalización extranjera. La IA dedujo texto italiano, lo estrechó a "norte de Italia", pero no pudo fijar una ciudad concreta solo por la arquitectura. Confianza: media. Aceptada como "zona de Verona" — lo bastante cerca para el mapa familiar y un punto de partida para más investigación.
El patrón que emerge: quizás un tercio de un álbum familiar típico obtiene sugerencias de IA con confianza alta que aceptas sin pensar. Otro tercio necesita una revisión rápida o un retoque al pin. El último tercio requiere etiquetado manual o simplemente se salta porque la ubicación nunca estuvo en la imagen para empezar.
Por qué esto importa para la historia familiar
Geoetiquetar fotos familiares rara vez es un fin en sí mismo. La razón para hacerlo suele estar más abajo: una vista de mapa de dónde vivieron y viajaron los ancestros, una presentación que sitúe cada foto geográficamente, una aplicación de árbol genealógico que pueda trazar las fotos contra los lugares de la vida de alguien. Las etiquetas GPS EXIF estándar funcionan con todas las herramientas grandes de historia familiar — Family Tree Maker, MyHeritage, las funciones de fotos de Ancestry, RootsMagic, Gramps — porque todas leen los metadatos JPEG igual.
El objetivo del ejercicio no son coordenadas perfectas para cada toma. Es conseguir que haya suficiente biblioteca etiquetada para que la vista de mapa sea significativa — una respuesta visual a "dónde vivieron mis abuelos" que merece la pena por una o dos horas de revisión.
Si quieres probarlo con un álbum antes de comprometerte con un proyecto mayor, la capa gratuita de RetroTagr maneja 100 fotos y 5 sugerencias de IA — suficiente para ver si el flujo encaja con tus fotos y tu paciencia.