Las hormigas cortadoras de hojas representan una de las principales plagas agrícolas en Uruguay y la región, provocando pérdidas económicas significativas. Los métodos de control más efectivos actualmente dependen de la aplicación de cebos tóxicos, pero suelen implementarse de manera poco optimizada, con altos costos y riesgos ambientales. Un obstáculo central para desarrollar sistemas automáticos que permitan optimizar esta aplicación es la escasez de conjuntos de datos de entrenamiento adecuados para modelos de detección visual. Frente a esta limitación, el presente trabajo propone un sistema de aprendizaje activo orientado a la detección de caminos de hormigas, que permite construir de manera iterativa el conjunto de datos necesario mientras se mejora progresivamente el desempeño del modelo. Al mismo tiempo, se busca que el enfoque desarrollado pueda generalizarse a otras tareas de visión por computadora en las que exista una disponibilidad limitada de datos, ofreciendo una forma sistemática y eficiente de mejorar modelos de detección en escenarios prácticos. Para ello se integró la plataforma CVAT (Computer Vision Annotation Tool), destinada al etiquetado asistido de imágenes, con un sistema que permite seleccionar automáticamente los ejemplos más informativos para mejorar el modelo. Se implementaron y compararon distintas estrategias de selección, incluyendo métodos basados en confianza, en similitud entre representaciones de imágenes, en disimilitud y en la incorporación de fondos (backgrounds) controlados. Para la experimentación, se trabajó con dos conjuntos de datos, uno más extenso basado en la detección de ciclistas que permitió hacer un análisis más completo de los resultados obtenidos y otro más reducido pero aplicado a la detección de los caminos de hormigas para validar su utilización en esta realidad. Los experimentos mostraron que la utilización del sistema permite obtener mejoras progresivas en el desempeño del modelo con menor cantidad de datos etiquetados. En conclusión, el sistema desarrollado demostró ser una solución viable y adaptable tanto para el problema del control de hormigas como para otras tareas de reconocimiento visual en las que la disponibilidad de datos etiquetados sea limitada. Se establece así una base para futuras investigaciones orientadas a ampliar el marco de aprendizaje activo, diversificar los criterios de selección de datos y explorar su aplicación en distintos dominios de aprendizaje automático enfocado a tareas visuales.