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 impulsó la rápida integración de aplicaciones de visión artificial (CV): sistemas de AI 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 mediante diagnóstico por imagen y la habilitación de vehículos autónomos hasta la optimización del flujo de tráfico en el transporte y la mejora de la vigilancia en sistemas de seguridad.

La extraordinaria precisión y el rendimiento incomparable de los modelos de visión artificial de última generación, 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 entrenarlos, validarlos y probarlos.

Sin suficientes datos de alta calidad, puede resultar difícil entrenar y ajustar eficazmente los modelos de visión artificial 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 los datos de alta calidad son tan importantes en la visión artificial. También repasaremos algunos consejos para ayudarte a crear conjuntos de datos de alta calidad mientras trabajas en el entrenamiento de modelos personalizados de visión artificial. ¡Empecemos!

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 realizar 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 diversos, estos modelos pueden no analizar con precisión situaciones del mundo real y producir resultados sesgados o imprecisos.

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, entendamos los tipos de conjuntos de datos que puedes encontrar al entrenar modelos de visión artificial.

Tipos de conjuntos de datos de visión artificial#

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

• Datos de entrenamiento: es el conjunto de datos principal utilizado para entrenar el modelo desde cero. Está formado por imágenes y vídeos con etiquetas predefinidas, que permiten al modelo aprender patrones y reconocer objetos.
• Datos de validación: es un conjunto de datos utilizado para comprobar el rendimiento del modelo mientras se está entrenando. Ayuda a garantizar que el modelo funciona correctamente con datos nuevos que no ha visto.
• Datos de prueba: es un conjunto de datos independiente que se utiliza para evaluar el rendimiento final de un modelo entrenado. Comprueba la capacidad del modelo para realizar predicciones con datos completamente nuevos que no ha visto.

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

Las 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 principales que hacen que un conjunto de datos 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 el caso de la AI de visión aplicada a la sanidad, las imágenes de radiografías o escáneres deben etiquetarse con precisión para ayudar al modelo a aprender correctamente.
• Diversidad: un buen conjunto de datos incluye una variedad de ejemplos para ayudar al modelo a funcionar bien en distintas situaciones. Por ejemplo, si un modelo está aprendiendo a detectar coches, el conjunto de datos debería incluir coches de diferentes 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 deberían tener resoluciones similares (no estar 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 periódicamente pueden adaptarse a los cambios del mundo real. Supongamos que estás entrenando un modelo para detectar todo tipo de vehículos. Si aparecen otros nuevos, como los patinetes eléctricos, deberían añadirse al conjunto de datos para garantizar que el modelo siga siendo preciso y esté actualizado.
• Privacidad: si un conjunto de datos incluye información confidencial, como fotografías de personas, debe cumplir las normas de privacidad. Técnicas como la anonimización (eliminación de datos identificativos) y el enmascaramiento de datos (ocultación de partes confidenciales) pueden proteger la privacidad y, al mismo tiempo, permitir utilizar los datos de forma segura.

Problemas causados por los datos de baja calidad#

Aunque es importante conocer las características de los datos de alta calidad, es igual de fundamental considerar 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 funciona bien con los datos de entrenamiento, pero tiene dificultades con datos nuevos o no vistos, a menudo porque el conjunto de datos carece de 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 esencial mantener conjuntos de datos diversos, imparciales y de alta calidad, garantizando 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 a partir de datos sin procesar, un proceso conocido como extracción de características. Si el conjunto de datos está incompleto, es irrelevante o carece de diversidad, el modelo puede tener dificultades para funcionar eficazmente.

A veces, los datos de baja calidad son el resultado de simplificar los datos. 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 el despliegue. Como regla general, los conjuntos de datos deben incluir las características esenciales y, al mismo tiempo, ser diversos y precisos para garantizar 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 hemos comprendido la importancia de los datos de alta calidad y el impacto de los datos de baja calidad, veamos cómo asegurarnos de que tu conjunto de datos cumple unos estándares elevados.

Todo empieza con una recopilación de datos fiable. Utilizar fuentes diversas, como la colaboración masiva, 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 los píxeles a un intervalo coherente, y el aumento de datos, que aplica transformaciones como rotaciones, volteos y ampliaciones, mejoran el conjunto de datos. Estos pasos ayudan a que tu modelo generalice mejor y sea más robusto, reduciendo el riesgo de sobreajuste.

Dividir correctamente los conjuntos de datos es otro paso fundamental. Un enfoque 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 con precisión 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 AI se ha centrado en mejorar el rendimiento mediante la creación de modelos más profundos con más capas. Sin embargo, a medida que la AI sigue evolucionando, el foco está pasando de optimizar los modelos a mejorar la calidad de los conjuntos de datos. Andrew Ng, conocido a menudo como el «padre de la AI», cree que «el cambio más importante que el mundo de la AI debe experimentar en esta década será pasar a una AI 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 la visión artificial, estos principios son fundamentales para abordar problemas como el sesgo y los datos de baja calidad, y permiten 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 cantidades ingentes de datos. Según Andrew Ng, «mejorar los datos no es un paso de preprocesamiento puntual; es una parte fundamental del proceso iterativo de desarrollo de modelos de aprendizaje automático». Al centrarse en principios orientados a los datos, la visión artificial seguirá siendo más accesible, eficiente y útil en diversos 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 los datos hasta el entrenamiento, la validación y las pruebas, la calidad de los datos influye directamente en el rendimiento y la fiabilidad del modelo. Al dar prioridad a los datos de alta calidad y a un etiquetado preciso, podemos crear modelos de visión artificial robustos que ofrezcan resultados fiables y precisos.

A medida que avanzamos hacia un futuro basado en los 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 fundamental para aprovechar todo el potencial de las tecnologías de visión artificial.

Únete a nuestra comunidad y consulta nuestro repositorio de GitHub para obtener más información sobre AI. Consulta nuestras páginas de soluciones para explorar más aplicaciones de AI en sectores como la agricultura y la manufactura.