¿Qué es el sobreajuste en visión artificial y cómo se puede prevenir?

Los modelos de visión por ordenador están diseñados para reconocer patrones, detectar objetos y analizar imágenes. Sin embargo, su rendimiento depende de lo bien que se generalicen a datos no vistos. La generalización es la capacidad del modelo para funcionar bien con imágenes nuevas, no solo con aquellas con las que se ha entrenado. Un problema habitual al entrenar estos modelos es el sobreajuste, en el que un modelo aprende demasiado de sus datos de entrenamiento, incluido ruido innecesario, en lugar de identificar patrones significativos.

Cuando ocurre esto, el modelo funciona bien con los datos de entrenamiento, pero tiene dificultades con imágenes nuevas. Por ejemplo, un modelo de detección de objetos entrenado únicamente con imágenes de alta resolución y bien iluminadas puede fallar al recibir imágenes borrosas o con sombras en condiciones reales. El sobreajuste limita la adaptabilidad del modelo y restringe su uso en aplicaciones del mundo real, como la conducción autónoma, la imagen médica y los sistemas de seguridad.

En este artículo, veremos qué es el sobreajuste, por qué ocurre y cómo evitarlo. También analizaremos cómo los modelos de visión por ordenador, como Ultralytics YOLO11, ayudan a reducir el sobreajuste y 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 aplican ampliamente a nuevas entradas. El modelo se centra demasiado en los datos de entrenamiento, por lo que tiene dificultades con imágenes o situaciones nuevas que no ha visto antes.

En visión por ordenador, el sobreajuste puede afectar a distintas tareas. Un modelo de clasificación entrenado únicamente con imágenes claras y luminosas puede tener dificultades en condiciones de poca luz. Un modelo de detección de objetos que aprende a partir de imágenes perfectas puede fallar en escenas abarrotadas o desordenadas. Del mismo modo, un modelo de segmentación de instancias puede funcionar bien en entornos controlados, pero tener problemas con las sombras o los objetos superpuestos.

Esto se convierte en un problema en las aplicaciones de IA del mundo real, donde los modelos deben poder generalizar más allá de las condiciones de entrenamiento controladas. Por ejemplo, los coches autónomos deben poder detectar peatones con distintas condiciones de iluminación, meteorológicas y ambientales. Un modelo que se sobreajusta a su conjunto de entrenamiento no funcionará de forma fiable en escenarios tan impredecibles.

¿Cuándo y por qué ocurre el sobreajuste?#

El sobreajuste suele deberse 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 con solo 50 imágenes de aves puede tener dificultades para detectar especies de aves que no estén en ese conjunto de datos.
• Modelos complejos con demasiados parámetros: Las redes profundas con demasiadas capas y neuronas tienden a memorizar detalles minuciosos en lugar de centrarse en las características esenciales.
• Falta de aumento de datos: Sin transformaciones como recortes, volteos o rotaciones, un modelo puede aprender únicamente de sus imágenes exactas de entrenamiento.
• Entrenamiento prolongado: Si un modelo recorre los datos de entrenamiento demasiadas veces, lo que se conoce como épocas, memoriza detalles en lugar de aprender patrones generales, por lo que se vuelve menos adaptable.
• Etiquetas incoherentes o ruidosas: Los datos etiquetados incorrectamente hacen que un modelo aprenda patrones equivocados. Esto es habitual en los conjuntos de datos etiquetados manualmente.

Un enfoque equilibrado de 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 completamente opuestos del aprendizaje profundo.

Fig. 1 Comparación del subajuste, el aprendizaje óptimo y el sobreajuste en modelos de visión por ordenador.

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

El subajuste ocurre cuando un modelo es demasiado básico y no detecta patrones importantes en los datos. Puede suceder cuando el modelo tiene muy pocas capas, no dispone de suficiente tiempo de entrenamiento o los datos son limitados. Como consecuencia, no reconoce patrones importantes y realiza predicciones inexactas. Esto provoca un rendimiento deficiente tanto en los datos de entrenamiento como en los de prueba, porque el modelo no ha aprendido lo suficiente para comprender correctamente la tarea.

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

Cómo identificar el sobreajuste#

Estas son algunas señales que indican que un modelo se está sobreajustando:

• Si la precisión del entrenamiento es significativamente mayor que la precisión de validación, es probable que el modelo se esté sobreajustando.
• Una diferencia cada vez mayor entre la pérdida de entrenamiento y la pérdida de validación es otro indicador claro.
• El modelo muestra demasiada confianza en respuestas incorrectas, lo que indica que ha memorizado detalles en lugar de comprender los patrones.

Para garantizar que un modelo se generalice bien, hay que probarlo con conjuntos de datos diversos que reflejen las condiciones del mundo real.

Cómo evitar el sobreajuste en visión por ordenador#

El sobreajuste no es inevitable y se puede evitar. Con las técnicas adecuadas, los modelos de visión por ordenador pueden aprender patrones generales en lugar de memorizar los datos de entrenamiento, lo que los hace más fiables en aplicaciones del mundo real.

Estas son cinco estrategias clave para evitar el sobreajuste en visión por ordenador.

Aumenta la diversidad de los datos con aumento de datos y datos sintéticos#

La mejor forma de ayudar a un modelo a funcionar bien con datos nuevos es ampliar el conjunto de datos mediante el aumento de datos y los datos sintéticos. Los datos sintéticos se generan por ordenador en lugar de recopilarse a partir de imágenes del mundo real. Ayudan a cubrir carencias cuando no hay suficientes datos reales.

Fig. 2 La combinación de datos del mundo real y datos sintéticos reduce el sobreajuste y mejora la precisión de la detección de objetos.

El aumento de datos modifica ligeramente las imágenes existentes volteándolas, girándolas, recortándolas o ajustando su brillo, para que el modelo no se limite a memorizar detalles, sino que aprenda a reconocer objetos en distintas situaciones.

Los datos sintéticos son útiles cuando resulta difícil obtener imágenes reales. Por ejemplo, los modelos de coches autónomos pueden entrenarse con escenas de carreteras generadas por ordenador para aprender a detectar objetos con distintas condiciones meteorológicas 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 red neuronal profunda, que es un tipo de modelo de aprendizaje automático con 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 evitar el sobreajuste.

Para conseguirlo, una opción es la poda, que elimina neuronas y conexiones redundantes y hace que el modelo sea más ligero 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 entre tareas con menos parámetros, por lo que son más resistentes al sobreajuste que entrenar un modelo profundo desde cero.

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

Aplica técnicas de regularización#

Las técnicas de regularización evitan que los modelos dependan demasiado de características específicas de los datos de entrenamiento. Estas son algunas técnicas de uso habitual:

• Dropout desactiva partes aleatorias del modelo durante el entrenamiento para que aprenda a reconocer distintos patrones en lugar de depender demasiado de unas pocas características.
• Decaimiento de pesos (regularización L2) evita los valores extremos de los pesos y mantiene controlada la complejidad del modelo.
• Normalización por lotes ayuda a estabilizar el entrenamiento al garantizar que el modelo sea menos sensible a las variaciones del conjunto de datos.

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

Supervisa el entrenamiento con validación y parada temprana#

Para evitar el sobreajuste, es importante seguir cómo aprende el modelo y garantizar que se generalice bien a datos nuevos. Estas son un par de técnicas que pueden ayudarte:

• Parada temprana: Finaliza 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 con cada una de ellas. Esto le ayuda a aprender patrones en lugar de memorizar imágenes concretas.

Estas técnicas ayudan a mantener el equilibrio del modelo para que aprenda lo suficiente como para ser preciso sin centrarse demasiado en los datos de entrenamiento.

Usa modelos preentrenados y mejora el etiquetado del conjunto de datos#

En lugar de entrenar desde cero, usar modelos preentrenados como Ultralytics YOLO11 puede reducir el sobreajuste. YOLO11 se ha entrenado con conjuntos de datos a gran escala, lo que le permite generalizar bien en distintas condiciones.

Fig. 3 Los modelos preentrenados de visión por ordenador mejoran la precisión y evitan el sobreajuste.

Ajustar un modelo preentrenado le ayuda a conservar lo que ya sabe mientras aprende tareas nuevas, para que no se limite a memorizar los datos de entrenamiento.

Además, es esencial garantizar un etiquetado de alta calidad del conjunto de datos. Los datos mal etiquetados o desequilibrados pueden inducir a los modelos a aprender patrones incorrectos. Limpiar los conjuntos de datos, corregir las imágenes mal etiquetadas y equilibrar las clases mejora la precisión y reduce el riesgo de sobreajuste. Otro método eficaz es el entrenamiento adversarial, en el que el modelo se expone a ejemplos ligeramente modificados o más difíciles, diseñados para poner a prueba sus límites.

Conclusiones clave#

El sobreajuste es un problema habitual en visión por ordenador. Un modelo puede funcionar bien con los datos de entrenamiento, pero tener dificultades con imágenes del mundo real. Para evitarlo, técnicas como el aumento 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 distintos entornos. A medida que mejora el aprendizaje profundo, garantizar que los modelos se generalicen correctamente será clave para que la IA tenga éxito en el mundo real.

¡Únete a nuestra comunidad, que no para de crecer! Explora nuestro repositorio de GitHub para obtener más información sobre la IA. ¿Listo para iniciar tus propios proyectos de visión por ordenador? Consulta nuestras opciones de licencia. Descubre la IA para la visión en la conducción autónoma y la IA en la atención sanitaria visitando nuestras páginas de soluciones.