¿Qué es el sobreajuste en visión artificial y cómo prevenirlo?

Los modelos de Computer vision están diseñados para reconocer patrones, detectar objetos y analizar imágenes. Sin embargo, su rendimiento depende de lo bien que generalize a datos no vistos. La generalización es la capacidad del modelo para funcionar bien en imágenes nuevas, no solo en aquellas con las que fue entrenado. Un problema común al entrenar estos modelos es el overfitting, en el cual un modelo aprende demasiado de sus datos de entrenamiento, incluyendo ruido innecesario, en lugar de identificar patrones significativos.

Cuando esto ocurre, el modelo rinde bien en los datos de entrenamiento pero tiene dificultades con imágenes nuevas. Por ejemplo, un modelo de object detection entrenado solo con imágenes de alta resolución y bien iluminadas puede fallar al presentársele imágenes borrosas o con sombras en condiciones del mundo real. El overfitting limita la adaptabilidad de un modelo, restringiendo su uso en aplicaciones del mundo real como la conducción autónoma, la imagen médica y los sistemas de seguridad.

En este artículo, exploraremos qué es el overfitting, por qué ocurre y cómo prevenirlo. También veremos cómo los modelos de visión artificial como Ultralytics YOLO11 ayudan a reducir el overfitting y a mejorar la generalización.

¿Qué es el sobreajuste?#

El sobreajuste ocurre cuando un modelo memoriza los datos de entrenamiento en lugar de aprender patrones que se apliquen de manera general a nuevas entradas. El modelo se centra demasiado en los datos de entrenamiento, por lo que tiene problemas con imágenes nuevas o situaciones que no ha visto antes.

En visión artificial, el sobreajuste puede afectar a distintas tareas. Un modelo de clasificación entrenado solo con imágenes brillantes y claras puede tener dificultades en condiciones de baja iluminación. Un modelo de detección de objetos que aprenda de imágenes perfectas podría fallar en escenas concurridas o desordenadas. De igual modo, un modelo de segmentación de instancias puede funcionar bien en entornos controlados, pero tener problemas con sombras u objetos superpuestos.

Esto se convierte en un problema en las aplicaciones de IA del mundo real, donde los modelos deben ser capaces de generalizar más allá de las condiciones de entrenamiento controladas. Los coches autónomos, por ejemplo, deben ser capaces de detectar peatones en diferentes condiciones de luz, clima y entornos. Un modelo que sufre sobreajuste en su conjunto de entrenamiento no funcionará de forma fiable en escenarios tan impredecibles.

¿Cuándo y por qué ocurre el sobreajuste?#

El sobreajuste ocurre normalmente debido a conjuntos de datos desequilibrados, una complejidad excesiva del modelo y un entrenamiento prolongado. Estas son las causas principales:

• Datos de entrenamiento limitados: Los conjuntos de datos pequeños hacen que los modelos memoricen patrones en lugar de generalizarlos. Un modelo entrenado solo con 50 imágenes de pájaros puede tener dificultades para detectar especies de pájaros fuera de ese conjunto de datos.
• Modelos complejos con demasiados parámetros: Las redes profundas con excesivas capas y neuronas tienden a memorizar detalles precisos en lugar de centrarse en las características esenciales.
• Falta de data augmentation: Sin transformaciones como recorte, inversión o rotación, un modelo puede aprender únicamente de sus imágenes de entrenamiento exactas.
• Entrenamiento prolongado: Si un modelo pasa por los datos de entrenamiento demasiadas veces, conocido como epochs, memoriza detalles en lugar de aprender patrones generales, volviéndose menos adaptable.
• Etiquetas inconsistentes o ruidosas: Los datos etiquetados de forma incorrecta hacen que el modelo aprenda patrones erróneos. Esto es común en conjuntos de datos etiquetados manualmente.

Un enfoque bien equilibrado respecto a la complejidad del modelo, la calidad del conjunto de datos y las técnicas de entrenamiento garantiza una mejor generalización.

Sobreajuste frente a subajuste#

El sobreajuste y el subajuste son dos problemas totalmente opuestos en el aprendizaje profundo.

Fig 1. Comparación de underfitting, aprendizaje óptimo y overfitting en modelos de visión artificial.

El sobreajuste sucede cuando un modelo es demasiado complejo, lo que lo hace centrarse excesivamente en los datos de entrenamiento. En lugar de aprender patrones generales, memoriza pequeños detalles, incluso aquellos irrelevantes como el ruido de fondo. Esto provoca que el modelo funcione bien con los datos de entrenamiento pero tenga problemas con imágenes nuevas, lo que significa que no ha aprendido realmente a reconocer patrones aplicables en diferentes situaciones.

El subajuste sucede cuando un modelo es demasiado básico, por lo que pasa por alto patrones importantes en los datos. Esto puede ocurrir cuando el modelo tiene muy pocas capas, poco tiempo de entrenamiento o los datos son limitados. Como resultado, no logra reconocer patrones importantes y realiza predicciones inexactas. Esto conduce a un rendimiento deficiente tanto en los datos de entrenamiento como en los de prueba, porque el modelo no ha aprendido lo suficiente para comprender la tarea adecuadamente.

Un modelo bien entrenado encuentra el equilibrio entre complejidad y generalización. Debe ser lo suficientemente complejo para aprender patrones relevantes, pero no tanto como para memorizar datos en lugar de reconocer las relaciones subyacentes.

Cómo identificar el sobreajuste#

Aquí tienes algunas señales que indican que un modelo está sufriendo sobreajuste:

• Si la precisión de entrenamiento es significativamente mayor que la precisión de validación, es probable que el modelo esté sufriendo sobreajuste.
• Una brecha cada vez mayor entre la pérdida de entrenamiento y la pérdida de validación es otro indicador clave.
• El modelo tiene demasiada confianza en respuestas incorrectas, lo que demuestra que ha memorizado detalles en lugar de entender patrones.

Para asegurar que un modelo generalice bien, debe probarse en diversos conjuntos de datos que reflejen condiciones del mundo real.

Cómo evitar el sobreajuste en visión artificial#

El sobreajuste no es inevitable y puede evitarse. Con las técnicas adecuadas, los modelos de visión artificial pueden aprender patrones generales en lugar de memorizar los datos de entrenamiento, haciéndolos más fiables en aplicaciones del mundo real.

Aquí tienes cinco estrategias clave para evitar el sobreajuste en visión artificial.

Aumenta la diversidad de datos con aumentación y datos sintéticos#

La mejor manera de ayudar a un modelo a funcionar bien con datos nuevos es ampliando el conjunto de datos mediante data augmentation y synthetic data. Los datos sintéticos se generan por ordenador en lugar de recopilarse a partir de imágenes del mundo real. Ayudan a rellenar vacíos cuando no hay suficientes datos reales.

Fig 2. Combinar datos del mundo real y sintéticos reduce el overfitting y mejora la precisión de detección de objetos.

La aumentación de datos altera ligeramente las imágenes existentes mediante volteos, rotaciones, recortes o ajustes de brillo, para que el modelo no solo memorice detalles, sino que aprenda a reconocer objetos en diferentes situaciones.

Los datos sintéticos son útiles cuando es difícil conseguir imágenes reales. Por ejemplo, los modelos de coches autónomos pueden entrenarse en escenas de carretera generadas por ordenador para aprender a detectar objetos en diferentes condiciones climáticas y de iluminación. Esto hace que el modelo sea más flexible y fiable sin necesidad de miles de imágenes del mundo real.

Optimiza la complejidad y la arquitectura del modelo#

Una neural network profunda, que es un tipo de modelo de machine learning que tiene muchas capas que procesan datos en lugar de una sola capa, no siempre es mejor. Cuando un modelo tiene demasiadas capas o parámetros, memoriza los datos de entrenamiento en lugar de reconocer patrones más amplios. Reducir la complejidad innecesaria puede ayudar a prevenir el overfitting.

Para lograr esto, un enfoque es el pruning, que elimina neuronas y conexiones redundantes, haciendo que el modelo sea más ágil y eficiente.

Otra opción es simplificar la arquitectura reduciendo el número de capas o neuronas. Los modelos preentrenados como Ultralytics YOLO11 están diseñados para generalizar bien en distintas tareas con menos parámetros, lo que los hace más resistentes al sobreajuste que entrenar un modelo profundo desde cero.

Encontrar el equilibrio adecuado entre la profundidad del modelo y la eficiencia le ayuda a aprender patrones útiles sin limitarse a memorizar los datos de entrenamiento.

Aplica técnicas de regularización#

Las Regularization techniques evitan que los modelos se vuelvan demasiado dependientes de características específicas en los datos de entrenamiento. Aquí tienes algunas técnicas utilizadas habitualmente:

• Dropout desactiva partes aleatorias del modelo durante el entrenamiento para que aprenda a reconocer diferentes patrones en lugar de depender demasiado de unas pocas características.
• Decaimiento de peso (regularización L2) desaconseja valores de peso extremos, manteniendo bajo control la complejidad del modelo.
• Normalización por lotes (Batch normalization) ayuda a estabilizar el entrenamiento asegurando que el modelo sea menos sensible a variaciones en el conjunto de datos.

Estas técnicas ayudan a mantener la flexibilidad y adaptabilidad del modelo, reduciendo el riesgo de sobreajuste mientras se preserva la precisión.

Supervisa el entrenamiento con validación y parada temprana#

Para evitar el sobreajuste, es importante hacer un seguimiento de cómo aprende el modelo y asegurar que generaliza bien con datos nuevos. Aquí tienes un par de técnicas para ayudar con esto:

• Parada temprana: Termina automáticamente el entrenamiento cuando el modelo deja de mejorar, para que no siga aprendiendo detalles innecesarios.
• Validación cruzada: Divide los datos en partes y entrena el modelo en cada una. Esto le ayuda a aprender patrones en lugar de memorizar imágenes específicas.

Estas técnicas ayudan al modelo a mantenerse equilibrado para que aprenda lo suficiente para ser preciso sin centrarse demasiado solo en los datos de entrenamiento.

Utiliza modelos pre-entrenados y mejora el etiquetado del conjunto de datos#

En lugar de entrenar desde cero, el uso de modelos preentrenados como Ultralytics YOLO11 puede reducir el sobreajuste. YOLO11 está entrenado en conjuntos de datos a gran escala, lo que le permite generalizar bien en diferentes condiciones.

Fig 3. Los modelos de visión artificial preentrenados mejoran la precisión y previenen el overfitting.

Ajustar (fine-tuning) un modelo pre-entrenado le ayuda a conservar lo que ya sabe mientras aprende nuevas tareas, por lo que no simplemente memoriza los datos de entrenamiento.

Además, garantizar un etiquetado de conjuntos de datos de alta calidad es fundamental. Los datos mal etiquetados o desequilibrados pueden inducir a los modelos a aprender patrones incorrectos. Limpiar conjuntos de datos, corregir imágenes mal etiquetadas y equilibrar clases mejoran la precisión y reducen el riesgo de overfitting. Otro enfoque eficaz es el adversarial training, donde el modelo se expone a ejemplos ligeramente alterados o más desafiantes diseñados para poner a prueba sus límites.

Conclusiones clave#

El sobreajuste es un problema común en la visión por computador. Un modelo puede funcionar bien con los datos de entrenamiento pero tener dificultades con imágenes del mundo real. Para evitarlo, técnicas como la aumentación de datos, la regularización y el uso de modelos preentrenados como Ultralytics YOLO11 ayudan a mejorar la precisión y la adaptabilidad.

Al aplicar estos métodos, los modelos de IA pueden seguir siendo fiables y funcionar bien en diferentes entornos. A medida que el aprendizaje profundo mejora, asegurarse de que los modelos generalicen correctamente será la clave para el éxito de la IA en el mundo real.

¡Únete a nuestra creciente community! Explora nuestro GitHub repository para obtener más información sobre IA. ¿Estás listo para iniciar tus propios proyectos de visión artificial? Consulta nuestras licensing options. ¡Descubre vision AI in self-driving y AI in healthcare visitando nuestras páginas de soluciones!