¿Qué es EfficientNet? Un resumen rápido.

En 2019, los investigadores de Google AI presentaron EfficientNet, un modelo de visión por ordenador de última generación construido para reconocer objetos y patrones en imágenes. Se diseñó principalmente para la clasificación de imágenes, que consiste en asignar una imagen a una de varias categorías predefinidas. Sin embargo, hoy en día, EfficientNet también sirve como columna vertebral para tareas más complejas, como la detección de objetos, la segmentación y el aprendizaje de transferencia.

Antes de EfficientNet, este tipo de modelos de aprendizaje automático y Vision AI intentaban mejorar la precisión añadiendo más capas o aumentando el tamaño de las mismas. Las capas son los pasos de un modelo de red neuronal (un tipo de modelo de aprendizaje profundo inspirado en el cerebro humano) que procesa datos para aprender patrones y mejorar la precisión. 

Estos cambios crearon una compensación, haciendo que los modelos tradicionales de IA fueran más grandes y lentos, mientras que la precisión adicional era a menudo mínima en comparación con el aumento significativo de la potencia de cálculo necesaria.

EfficientNet adoptó un enfoque diferente. Aumentó la profundidad (número de capas), la anchura (número de unidades en cada capa) y la resolución de la imagen (el nivel de detalle de las imágenes de entrada) de forma conjunta y equilibrada. Este método, denominado escalado compuesto, utiliza de forma fiable toda la potencia de procesamiento disponible. El resultado final es un modelo más pequeño y rápido que puede rendir mejor que modelos más antiguos como ResNet o DenseNet.

Hoy en día, los modelos de visión por ordenador más recientes, como Ultralytics YOLO11, ofrecen mayor precisión, velocidad y eficiencia. Aun así, EfficientNet sigue siendo un hito importante que influyó en el diseño de muchas arquitecturas avanzadas. 

En este artículo, analizaremos EfficientNet en cinco minutos, explicando cómo funciona, qué lo hace único y por qué sigue siendo importante en el campo de la visión por ordenador. Empecemos.

¿Qué es EfficientNet?

Antes de que se diseñara EfficientNet, la mayoría de los modelos de reconocimiento de imágenes mejoraban la precisión ajustando sus capas o aumentando el tamaño de la imagen de entrada para captar más detalles. Aunque estas estrategias mejoraban los resultados, también hacían que los modelos fueran más pesados y exigentes. Esto significaba que necesitaban más memoria y mejor hardware. 

En lugar de cambiar las capas individuales, EfficientNet escala la profundidad, la anchura y la resolución de la imagen conjuntamente mediante un método denominado escalado compuesto. Este enfoque permite que el modelo crezca de forma eficiente sin sobrecargar ningún aspecto individual.

La arquitectura EfficientNet procesa imágenes a través de una serie de bloques, cada uno construido a partir de módulos más pequeños. El número de módulos de cada bloque depende del tamaño del modelo. 

‍

Las versiones más pequeñas utilizan menos módulos, mientras que las más grandes los repiten con más frecuencia. Este diseño flexible permite a EfficientNet ofrecer una gran precisión y eficiencia en una amplia gama de aplicaciones, desde dispositivos móviles a sistemas a gran escala.

Cómo funciona la escala compuesta

El método de escalado compuesto amplía la profundidad, la anchura y la resolución de imagen de un modelo, pero las mantiene equilibradas. Esto permite utilizar la potencia de cálculo de forma eficiente. La serie comienza con un modelo básico más pequeño llamado EfficientNet-B0, que sirve de base para todas las demás versiones.

A partir de B0, los modelos se escalan en variantes mayores denominadas EfficientNet-B1 a EfficientNet-B7. Con cada paso, la red gana capas adicionales, aumenta el número de canales (unidades utilizadas para el procesamiento) y maneja imágenes de entrada de mayor resolución. La cantidad de crecimiento en cada paso viene determinada por un parámetro denominado coeficiente compuesto, que garantiza que la profundidad, la anchura y la resolución aumenten en proporciones fijas y no de forma independiente.

‍

Arquitectura EfficientNet

A continuación, echemos un vistazo a la arquitectura de EfficientNet. 

Se basa en MobileNetV2, un modelo ligero de visión por ordenador optimizado para dispositivos móviles e integrados. Su núcleo es el bloque Mobile Inverted Bottleneck Convolution (MBConv), una capa especial que procesa los datos de imagen como una convolución estándar, pero con menos cálculos. Gracias a este bloque, el modelo es más rápido y consume menos memoria.

Dentro de cada uno de los bloques MBConv hay un módulo de compresión y excitación (SE). Este módulo ajusta la potencia de los distintos canales de la red. Aumenta la intensidad de los canales esenciales y reduce la de los demás. El módulo ayuda a la red a centrarse en los rasgos más importantes de una imagen, sin tener en cuenta el resto. El modelo EfficientNet también utiliza una función de activación Swish (una función matemática que ayuda a la red a aprender patrones), que le ayuda a detectar patrones en las imágenes mejor que los métodos anteriores. 

Además, utiliza DropConnect, que desconecta aleatoriamente algunas conexiones de la red durante el entrenamiento. Este método de regularización estocástica (una técnica de aleatorización para evitar que el modelo memorice los datos de entrenamiento en lugar de generalizar) reduce el sobreajuste al obligar a la red a aprender representaciones de características más robustas (patrones más sólidos y generales en los datos) que se transfieren mejor a los datos no vistos.

‍

Breve descripción de las variantes de modelo de EfficientNet

Ahora que entendemos mejor cómo funcionan los modelos EfficientNet, vamos a hablar de las distintas variantes del modelo. 

Los modelos EfficientNet se escalan de B0 a B7, empezando por B0 como línea de base que equilibra velocidad y precisión. Cada versión aumenta la profundidad, la anchura y la resolución de la imagen, mejorando la precisión. Sin embargo, también exigen más potencia de cálculo, desde los modelos B1 y B2 hasta los de alto rendimiento B6 y B7. 

Mientras que los modelos EfficientNet-B3 y EfficientNet-B4 logran un equilibrio para imágenes de gran tamaño, el B5 suele elegirse para conjuntos de datos complejos que requieren precisión. Además de estos modelos, el más reciente, EfficientNet V2, puede mejorar la velocidad de entrenamiento, manejar mejor conjuntos de datos pequeños y está optimizado para el hardware moderno.

Aplicaciones de EfficientNet

EfficientNet puede producir resultados precisos utilizando menos memoria y potencia de procesamiento que muchos otros modelos. Esto lo hace útil en muchos campos, desde la investigación científica hasta los productos que la gente usa a diario.

Análisis de imágenes médicas

Las imágenes médicas, como las tomografías computarizadas de los pulmones, suelen contener detalles sutiles que son fundamentales para un diagnóstico preciso. Los modelos de IA pueden ayudar a analizar estas imágenes para descubrir patrones difíciles de detectar por los humanos. Una adaptación de EfficientNet para este fin es MONAI (Medical Open Network for AI) EfficientNet, diseñada específicamente para el análisis de imágenes médicas.

Basándose en la arquitectura de EfficientNet, los investigadores también han desarrollado Lung-EffNet, un modelo que clasifica las tomografías computarizadas de pulmón para detectar tumores. Puede clasificar los tumores como benignos, malignos o normales, con una precisión superior al 99% en pruebas experimentales.

‍

Detección de objetos en tiempo real

La detección de objetos es el proceso de encontrar objetos en una imagen y determinar su ubicación. Es una parte fundamental de aplicaciones como los sistemas de seguridad, los coches autónomos y los drones.

EfficientNet adquirió importancia en este ámbito porque ofrecía una forma muy eficaz de extraer características de las imágenes. Su método de escalado de profundidad, anchura y resolución mostró cómo los modelos podían ser precisos sin ser demasiado pesados o lentos. Por eso, muchos sistemas de detección, como EfficientDet, utilizan EfficientNet como columna vertebral.

Los modelos más recientes, como Ultralytics YOLO11, comparten el mismo objetivo de combinar velocidad y precisión. Esta tendencia hacia modelos eficientes se vio muy influida por ideas de arquitecturas como EfficientNet.

Ventajas e inconvenientes de EfficientNet

Éstas son algunas de las ventajas de utilizar EfficientNet en proyectos de visión por ordenador:

• Alta precisión con menos parámetros: EfficientNet puede ofrecer una precisión similar o superior a la de modelos más antiguos como ResNet o DenseNet. Sin embargo, utiliza menos parámetros, por lo que es más rápido de entrenar y más fácil de implantar.
  ‍
• Familia de modelos escalable: De B0 a B7, puede elegir una versión que se adapte a sus requisitos de hardware y precisión sin cambiar la red de base.
  ‍
• Bueno para el aprendizaje por transferencia: EfficientNet puede ofrecer un rendimiento de modelo fiable para el aprendizaje por transferencia, que es un proceso de reentrenamiento de un modelo preentrenado para una tarea personalizada. Puede servir de base para diversas tareas de visión por ordenador. También ha obtenido buenos resultados cuando se ha perfeccionado. Por ejemplo, en CIFAR-100, un conjunto de datos de clasificación de imágenes muy utilizado, alcanzó una precisión puntera con un número de parámetros significativamente inferior al de modelos anteriores.

Aunque el uso de EfficientNet tiene muchas ventajas, hay que tener en cuenta algunas de sus limitaciones:

• Requiere más memoria: Versiones como EfficientNet-B6 y EfficientNet-B7 requieren mucha memoria de GPU.
  ‍
• Escalado ajustado para ImageNet: Los ajustes de escalado se diseñaron para el conjunto de datos ImageNet, por lo que el rendimiento puede disminuir en conjuntos de datos muy diferentes sin un ajuste fino. Esto es especialmente cierto en el caso de conjuntos de datos pequeños, ya que la arquitectura y el escalado de EfficientNet se diseñaron para un conjunto de datos grande y diverso como ImageNet, que proporciona datos suficientes para justificar su profundidad y anchura.
  ‍
• Más lento en algunos equipos: EfficientNet utiliza capas llamadas MBConv que están diseñadas para ser eficientes en hardware moderno. En GPUs o CPUs más antiguas, estas capas pueden funcionar más lentamente.

Principales conclusiones

EfficientNet cambió la forma en que crecen los modelos de visión por ordenador al mantener en equilibrio la profundidad, la anchura y la resolución de la imagen. Sigue siendo un modelo importante y también ha influido en arquitecturas más recientes. En particular, ocupa un lugar significativo en la historia de la visión por ordenador.

Únase a nuestra comunidad y al repositorio de GitHub para saber más sobre la IA. Consulte nuestras páginas de soluciones para leer sobre la IA en la sanidad y la visión por ordenador en la automoción. Descubra nuestras opciones de licencia y empiece a construir con visión artificial hoy mismo.