La importancia de los datasets de visión artificial de alta calidad

A partir de 2019, la adopción de la inteligencia artificial (IA) en las empresas aumentó un 270% en comparación con los cuatro años anteriores. Este crecimiento ha impulsado la rápida integración de aplicaciones de visión artificial (CV), sistemas de IA que permiten a las máquinas interpretar y analizar datos visuales del mundo que las rodea. Estas aplicaciones potencian una amplia gama de tecnologías, desde la detección de enfermedades en imágenes médicas y la habilitación de vehículos autónomos hasta la optimización del flujo de tráfico en el transporte y la mejora de la vigilancia en los sistemas de seguridad.

La notable precisión y el rendimiento sin igual de los modelos de visión artificial de vanguardia como Ultralytics YOLO11 han impulsado en gran medida este crecimiento exponencial. Sin embargo, el rendimiento de estos modelos depende en gran medida de la calidad y la cantidad de los datos utilizados para entrenar, validar y probar los modelos.

Sin suficientes datos de alta calidad, los modelos de visión artificial pueden ser difíciles de entrenar y ajustar de manera efectiva para cumplir con los estándares de la industria. En este artículo, exploraremos el papel vital de los datos en la creación de modelos de visión artificial y por qué los datos de alta calidad son tan importantes en la visión artificial. También veremos algunos consejos para ayudarte a crear datasets de alta calidad mientras trabajas en el entrenamiento de modelos de visión artificial personalizados. ¡Empecemos!

El papel de los datos en la construcción de modelos de visión artificial#

Los modelos de visión artificial se pueden entrenar con grandes conjuntos de datos de imágenes y vídeos para reconocer patrones y hacer predicciones precisas. Por ejemplo, un modelo de detección de objetos se puede entrenar con cientos, o incluso miles, de imágenes y vídeos etiquetados para identificar objetos con precisión.

La calidad y la cantidad de estos datos de entrenamiento influyen en el rendimiento del modelo.

Dado que los modelos de visión artificial solo pueden aprender de los datos a los que están expuestos, proporcionar datos de alta calidad y ejemplos diversos es crucial para su éxito. Sin datasets suficientes y diversos, estos modelos pueden no ser capaces de analizar escenarios del mundo real con precisión y podrían producir resultados sesgados o inexactos.

Por eso es importante comprender claramente el papel de los datos en el entrenamiento del modelo. Antes de repasar las características de los datos de alta calidad, vamos a comprender los tipos de conjuntos de datos con los que te puedes encontrar al entrenar modelos de visión artificial.

Tipos de datasets de visión artificial#

En visión artificial, los datos utilizados en el proceso de entrenamiento se clasifican en tres tipos, cada uno con un propósito específico. Aquí tienes un vistazo rápido a cada tipo:

• Datos de entrenamiento: este es el conjunto de datos principal que se utiliza para entrenar el modelo desde cero. Consiste en imágenes y vídeos con etiquetas predefinidas, lo que permite al modelo aprender patrones y reconocer objetos.
• Datos de validación: este es un conjunto de datos que se utiliza para comprobar el rendimiento de un modelo mientras se está entrenando. Ayuda a garantizar que el modelo funcione correctamente con datos nuevos y no vistos.
• Datos de prueba: un conjunto de datos independiente que se utiliza para evaluar el rendimiento final de un modelo entrenado. Comprueba lo bien que el modelo puede hacer predicciones con datos completamente nuevos y no vistos.

Fig. 1. Cómo se categorizan los datos en la visión artificial.

Las 5 principales características de los datasets de visión artificial de alta calidad#

Independientemente del tipo de dataset, los datos de alta calidad son esenciales para construir modelos de visión artificial exitosos. Estas son algunas de las características clave que hacen que un dataset sea de alta calidad:

• Precisión: lo ideal es que los datos reflejen fielmente las situaciones del mundo real e incluyan etiquetas correctas. Por ejemplo, en lo que respecta a la IA de visión en la sanidad, las imágenes de rayos X o escáneres deben estar etiquetadas con precisión para ayudar al modelo a aprender correctamente.
• Diversidad: Un buen dataset incluye una variedad de ejemplos para ayudar al modelo a desempeñarse bien en diferentes situaciones. Por ejemplo, si un modelo está aprendiendo a detectar coches, el dataset debe incluir coches de diferentes formas, tamaños y colores en diversos entornos (día, noche, lluvia, etc.).
• Consistencia: los conjuntos de datos de alta calidad siguen un formato uniforme y estándares de calidad. Por ejemplo, las imágenes deben tener resoluciones similares (no algunas borrosas y otras nítidas) y pasar por los mismos pasos de preprocesamiento, como el cambio de tamaño o los ajustes de color, para que el modelo aprenda de información coherente.
• Actualización: los conjuntos de datos que se actualizan con regularidad pueden mantenerse al día con los cambios del mundo real. Supongamos que estás entrenando un modelo para detectar todo tipo de vehículos. Si se introducen nuevos vehículos, como patinetes eléctricos, deben añadirse al conjunto de datos para asegurarse de que el modelo siga siendo preciso y esté actualizado.
• Privacidad: si un conjunto de datos incluye información confidencial, como fotos de personas, debe cumplir con las normas de privacidad. Técnicas como la anonimización (eliminación de detalles identificables) y el enmascaramiento de datos (ocultación de partes sensibles) pueden proteger la privacidad y, al mismo tiempo, hacer posible el uso de los datos de forma segura.

Desafíos causados por datos de baja calidad#

Aunque entender las características de los datos de alta calidad es importante, es igual de vital considerar cómo los datos de baja calidad pueden afectar a tus modelos de visión artificial.

Problemas como el sobreajuste y el subajuste pueden afectar gravemente al rendimiento del modelo. El sobreajuste ocurre cuando un modelo funciona bien con los datos de entrenamiento, pero tiene dificultades con datos nuevos o no vistos, a menudo porque al conjunto de datos le falta variedad. El subajuste, por otro lado, ocurre cuando el conjunto de datos no proporciona suficientes ejemplos o calidad para que el modelo aprenda patrones significativos. Para evitar estos problemas, es fundamental mantener conjuntos de datos diversos, sin sesgos y de alta calidad, garantizando un rendimiento fiable tanto en el entrenamiento como en las aplicaciones del mundo real.

Fig. 2. Subajuste frente a sobreajuste.

Los datos de baja calidad también pueden dificultar que los modelos extraigan y aprendan patrones significativos a partir de datos sin procesar, un proceso conocido como extracción de características. Si el conjunto de datos está incompleto, no es relevante o carece de diversidad, el modelo puede tener dificultades para funcionar con eficacia.

A veces, los datos de baja calidad pueden ser el resultado de simplificar los datos. La simplificación de los datos puede ayudar a ahorrar espacio de almacenamiento y reducir los costes de procesamiento, pero una simplificación excesiva puede eliminar detalles importantes que el modelo necesita para funcionar bien. Por eso es tan importante mantener datos de alta calidad durante todo el proceso de visión artificial, desde la recopilación hasta el despliegue. Como regla general, los conjuntos de datos deben incluir características esenciales sin dejar de ser diversos y precisos para garantizar predicciones de modelos fiables.

Fig. 3. Cómo entender la extracción de características.

Consejos para mantener la calidad de tu dataset de visión artificial#

Ahora que hemos entendido la importancia de los datos de alta calidad y el impacto de los de baja calidad, exploremos cómo asegurarnos de que tu dataset cumpla con estándares elevados.

Todo empieza con una recopilación de datos fiable. El uso de diversas fuentes, como el crowdsourcing, datos de distintas regiones geográficas y la generación de datos sintéticos, reduce el sesgo y ayuda a los modelos a lidiar con situaciones del mundo real. Una vez recopilados los datos, el preprocesamiento es fundamental. Técnicas como la normalización, que escala los valores de los píxeles a un rango coherente, y la aumentación, que aplica transformaciones como la rotación, el volteo y el zoom, mejoran el conjunto de datos. Estos pasos ayudan a que tu modelo generalice mejor y sea más robusto, lo que reduce el riesgo de sobreajuste.

Dividir adecuadamente los datasets es otro paso clave. Un enfoque común es asignar el 70% de los datos para entrenamiento, el 15% para validación y el 15% para pruebas. Comprobar dos veces que no hay solapamiento entre estos conjuntos evita la fuga de datos y garantiza una evaluación precisa del modelo.

Fig. 4. Una división común de datos entre entrenamiento, validación y prueba.

También puedes utilizar modelos preentrenados como YOLO11 para ahorrar tiempo y recursos computacionales. YOLO11, entrenado con grandes conjuntos de datos y diseñado para varias tareas de visión artificial, se puede ajustar en tu conjunto de datos específico para satisfacer tus necesidades. Al adaptar el modelo a tus datos, puedes evitar el sobreajuste y mantener un rendimiento sólido.

El camino a seguir para los datasets de visión artificial#

Tradicionalmente, la comunidad de IA se ha centrado en mejorar el rendimiento mediante la construcción de modelos más profundos con más capas. Sin embargo, a medida que la IA sigue evolucionando, el enfoque está cambiando de optimizar modelos a mejorar la calidad de los conjuntos de datos. Andrew Ng, a quien a menudo se le conoce como el «padre de la IA», cree que «el cambio más importante que el mundo de la IA debe experimentar en esta década será un cambio hacia la IA centrada en los datos».

Este enfoque enfatiza el refinamiento de los datasets mediante la mejora de la precisión de las etiquetas, la eliminación de ejemplos ruidosos y la garantía de diversidad. Para la visión artificial, estos principios son críticos para abordar problemas como el sesgo y los datos de baja calidad, permitiendo que los modelos funcionen de manera fiable en escenarios del mundo real.

Mirando hacia el futuro, el avance de la visión artificial dependerá de la creación de conjuntos de datos más pequeños y de alta calidad en lugar de recopilar grandes cantidades de datos. Según Andrew Ng, «mejorar los datos no es un paso de preprocesamiento único; es una parte fundamental del proceso iterativo de desarrollo de modelos de aprendizaje automático». Al centrarse en principios centrados en los datos, la visión artificial seguirá volviéndose más accesible, eficiente y eficaz en diversas industrias.

Conclusiones clave#

Los datos desempeñan un papel fundamental en todo el ciclo de vida de un modelo de visión. Desde la recopilación de datos hasta el preprocesamiento, el entrenamiento, la validación y la prueba, la calidad de los datos afecta directamente al rendimiento y la fiabilidad del modelo. Al priorizar los datos de alta calidad y un etiquetado preciso, podemos construir modelos de visión artificial robustos que ofrezcan resultados fiables y precisos.

A medida que avanzamos hacia un futuro basado en datos, es esencial abordar las consideraciones éticas para mitigar los riesgos relacionados con el sesgo y las normativas de privacidad. En última instancia, garantizar la integridad y la equidad de los datos es clave para aprovechar todo el potencial de las tecnologías de visión artificial.

Únete a nuestra comunidad y echa un vistazo a nuestro repositorio de GitHub para obtener más información sobre la IA. Echa un vistazo a nuestras páginas de soluciones para explorar más aplicaciones de IA en sectores como la agricultura y la fabricación.