La importancia de los conjuntos de datos de visión artificial de alta calidad

En 2019, la adopción de la inteligencia artificial (AI) en las empresas había aumentado un 270 % respecto a los cuatro años anteriores. Este crecimiento ha impulsado la rápida integración de aplicaciones de visión artificial (CV), es decir, sistemas de IA que permiten a las máquinas interpretar y analizar datos visuales del mundo que las rodea. Estas aplicaciones impulsan una amplia variedad de tecnologías, desde la detección de enfermedades en imágenes médicas y los vehículos autónomos hasta la optimización del tráfico en el transporte y la mejora de la vigilancia en los sistemas de seguridad.

La precisión y el rendimiento de los modelos de visión artificial más avanzados, como Ultralytics YOLO11, han contribuido a impulsar este crecimiento. Sin embargo, el rendimiento de estos modelos depende en gran medida de la calidad y la cantidad de los datos utilizados para entrenarlos, validarlos y probarlos.

Sin suficientes datos de alta calidad, puede resultar difícil entrenar y ajustar los modelos de visión artificial de forma eficaz para cumplir los estándares del sector. En este artículo analizaremos el papel fundamental de los datos en la creación de modelos de visión artificial y por qué son tan importantes los datos de alta calidad. También repasaremos algunos consejos para crear conjuntos de datos de alta calidad mientras trabajas en el entrenamiento de modelos de visión artificial personalizados.

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

Los modelos de visión artificial pueden entrenarse con grandes conjuntos de datos de imágenes y vídeos para reconocer patrones y hacer predicciones precisas. Por ejemplo, un modelo de detección de objetos puede entrenarse 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.

Como 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 fundamental para que tengan éxito. Sin conjuntos de datos suficientes y variados, estos modelos pueden no analizar con precisión situaciones del mundo real y producir resultados sesgados o inexactos.

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

Tipos de conjuntos de datos de visión artificial#

En visión artificial, los datos utilizados durante el entrenamiento se clasifican en tres tipos, cada uno con una finalidad específica. Aquí tienes un breve resumen de cada tipo:

• Datos de entrenamiento: Este es el conjunto de datos principal que se utiliza para entrenar el modelo desde cero. Está compuesto por imágenes y vídeos con etiquetas predefinidas, que permiten al modelo aprender patrones y reconocer objetos.
• Datos de validación: Es un conjunto de datos que se utiliza para comprobar el rendimiento del modelo mientras se entrena. Ayuda a garantizar que el modelo funcione correctamente con datos nuevos que no ha visto.
• Datos de prueba: conjunto de datos independiente que se utiliza para evaluar el rendimiento final de un modelo entrenado. Permite comprobar lo bien que el modelo predice datos completamente nuevos que no ha visto antes.

Fig. 1. Cómo se clasifican los datos en visión artificial.

5 características principales de los conjuntos de datos de visión artificial de alta calidad#

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

• Precisión: Lo ideal es que los datos reflejen fielmente situaciones reales e incluyan etiquetas correctas. Por ejemplo, en la IA visual aplicada a la sanidad, las imágenes de radiografías o escáneres deben etiquetarse con precisión para que el modelo pueda aprender correctamente.
• Diversidad: Un buen conjunto de datos incluye ejemplos variados para ayudar al modelo a rendir bien en distintas situaciones. Por ejemplo, si un modelo está aprendiendo a detectar coches, el conjunto de datos debe incluir coches de distintas formas, tamaños y colores en diversos entornos (de día, de noche, con lluvia, etc.).
• Coherencia: Los conjuntos de datos de alta calidad siguen un formato uniforme y unos estándares de calidad. Por ejemplo, las imágenes deben tener resoluciones similares (no unas 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 a partir de información coherente.
• Actualización: Los conjuntos de datos que se actualizan con regularidad pueden adaptarse a los cambios del mundo real. Por ejemplo, si entrenas un modelo para detectar todos los tipos de vehículos y aparecen nuevos, como los patinetes eléctricos, debes añadirlos al conjunto de datos para garantizar que el modelo siga siendo preciso y esté actualizado.
• Privacidad: si un conjunto de datos contiene información sensible, como fotos de personas, debe cumplir las normas de privacidad. Técnicas como la anonimización (eliminación de datos que permitan identificar a una persona) y el enmascaramiento de datos (ocultación de partes sensibles) pueden proteger la privacidad y, al mismo tiempo, permitir el uso seguro de los datos.

Problemas causados por datos de baja calidad#

Aunque es importante conocer las características de los datos de alta calidad, también es fundamental tener en cuenta cómo pueden afectar los datos de baja calidad a tus modelos de visión artificial.

Problemas como el sobreajuste y el subajuste pueden afectar gravemente al rendimiento del modelo. El sobreajuste se produce cuando un modelo rinde bien con los datos de entrenamiento, pero tiene dificultades con datos nuevos o que no ha visto, a menudo porque el conjunto de datos carece de variedad. Por otro lado, el subajuste se produce cuando el conjunto de datos no proporciona suficientes ejemplos o calidad para que el modelo aprenda patrones significativos. Para evitar estos problemas, es esencial mantener conjuntos de datos diversos, imparciales y de alta calidad, y garantizar un rendimiento fiable tanto durante el entrenamiento como en 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 de los datos sin procesar, un proceso conocido como extracción de características. Si el conjunto de datos está incompleto, contiene información irrelevante o carece de diversidad, el modelo puede tener dificultades para funcionar eficazmente.

A veces, los datos de baja calidad pueden deberse a que se han simplificado. Simplificar 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 la implementación. Como regla general, los conjuntos de datos deben incluir las características esenciales y, a la vez, ser diversos y precisos para respaldar predicciones fiables del modelo.

Fig. 3. Comprender la extracción de características.

Consejos para mantener la calidad de tu conjunto de datos de visión artificial#

Ahora que conocemos la importancia de los datos de alta calidad y el impacto de los datos de baja calidad, veamos cómo garantizar que tu conjunto de datos cumpla unos estándares elevados.

Todo empieza con una recopilación de datos fiable. El uso de fuentes diversas, como la colaboración colectiva, los datos de distintas regiones geográficas y la generación de datos sintéticos, reduce el sesgo y ayuda a los modelos a gestionar situaciones del mundo real. Una vez recopilados los datos, el preprocesamiento es fundamental. Técnicas como la normalización, que escala los valores de píxel a un intervalo uniforme, y el aumento de datos, que aplica transformaciones como rotaciones, volteos y zoom, mejoran el conjunto de datos. Estos pasos ayudan a que tu modelo generalice mejor y sea más robusto, reduciendo el riesgo de sobreajuste.

La división adecuada de los conjuntos de datos es otro paso clave. Un método habitual consiste en asignar el 70 % de los datos al entrenamiento, el 15 % a la validación y el 15 % a las pruebas. Comprobar que no haya solapamientos entre estos conjuntos evita la fuga de datos y garantiza una evaluación precisa del modelo.

Fig. 4. Una división habitual de los datos entre entrenamiento, validación y pruebas.

También puedes utilizar modelos preentrenados como YOLO11 para ahorrar tiempo y recursos computacionales. YOLO11, entrenado con grandes conjuntos de datos y diseñado para diversas tareas de visión artificial, puede ajustarse a 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 futuro de los conjuntos de datos de visión artificial#

Tradicionalmente, la comunidad de IA se ha centrado en mejorar el rendimiento creando modelos más profundos y con más capas. Sin embargo, a medida que la IA sigue evolucionando, el foco está pasando de optimizar modelos a mejorar la calidad de los conjuntos de datos. Andrew Ng 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 hace hincapié en perfeccionar los conjuntos de datos mejorando la precisión de las etiquetas, eliminando ejemplos ruidosos y garantizando la diversidad. En visión artificial, estos principios son fundamentales para abordar problemas como los sesgos y los datos de baja calidad, y permitir que los modelos funcionen de forma fiable en situaciones del mundo real.

De cara al 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 enormes cantidades de datos. Según Andrew Ng, «Mejorar los datos no es un paso de preprocesamiento que se realiza una sola vez; es una parte fundamental del proceso iterativo de desarrollo de modelos de aprendizaje automático». Al centrarse en principios basados en los datos, la visión artificial seguirá siendo más accesible, eficiente e impactante en distintos sectores.

Conclusiones clave#

Los datos desempeñan un papel fundamental durante todo el ciclo de vida de un modelo de visión. Desde la recopilación y el preprocesamiento de datos hasta el entrenamiento, la validación y las pruebas, la calidad de los datos afecta directamente al rendimiento y la fiabilidad del modelo. Si priorizamos los datos de alta calidad y el etiquetado preciso, podemos crear modelos de visión artificial robustos que ofrezcan resultados fiables y precisos.

A medida que avanzamos hacia un futuro impulsado por los datos, es esencial abordar las consideraciones éticas para mitigar los riesgos relacionados con los sesgos 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. Consulta nuestras páginas de soluciones para descubrir más aplicaciones de IA en sectores como la agricultura y la industria manufacturera.