En el campo de la evaluación de calidad de video para tareas de reconocimiento de objetos, predecir con precisión el impacto de diferentes factores de calidad en los algoritmos de reconocimiento sigue siendo un desafío significativo. Nuestro estudio introduce un novedoso marco de evaluación diseñado para abordar esta brecha al centrarse en la visión por computadora en lugar de en métricas de calidad perceptual humana. Utilizamos modelos avanzados de aprendizaje automático e Indicadores de Calidad de Video personalizados para mejorar la precisión predictiva del rendimiento de reconocimiento de objetos bajo diversas condiciones. Nuestros resultados indican un rendimiento del modelo, logrando un error cuadrático medio (MSE) de 672.4 y un coeficiente de correlación de 0.77, lo que subraya la efectividad de nuestro enfoque en escenarios del mundo real. Estos hallazgos destacan no solo la solidez de nuestra metodología, sino también su aplicabilidad potencial en áreas críticas como la vigilancia y la telemedicina.