Etiquetado de datos

El etiquetado de datos es el proceso de identificar datos en bruto (como imágenes, archivos de texto o vídeos) y añadir una o más etiquetas o anotaciones informativas para proporcionar contexto, lo que permite a un modelo de aprendizaje automático aprender de ellos. Este proceso es fundamental para el aprendizaje supervisado, en el que el conjunto de datos etiquetados actúa como "verdad básica" que el algoritmo utiliza para entrenarse y hacer predicciones precisas sobre datos nuevos sin etiquetar. El etiquetado de datos de alta calidad es uno de los pasos más críticos y lentos en la construcción de un modelo de IA robusto, ya que el rendimiento del modelo depende directamente de la calidad y precisión de las etiquetas de las que aprende.

¿Por qué es importante el etiquetado de datos?

El etiquetado de datos proporciona la base necesaria para que los modelos comprendan e interpreten el mundo. En visión por ordenador (VC), las etiquetas enseñan a un modelo a reconocer qué es un objeto y dónde se encuentra dentro de una imagen. Sin etiquetas precisas, un modelo no puede aprender los patrones necesarios para realizar su tarea, lo que se traduce en una escasa precisión y falta de fiabilidad. La calidad de los datos de entrenamiento, que se crean mediante el etiquetado, dicta directamente la calidad de la IA resultante. Este principio suele resumirse como "basura dentro, basura fuera". Los conjuntos de datos de referencia bien etiquetados, como COCO e ImageNet, han sido fundamentales para avanzar en el estado del arte de la visión por ordenador.

Tipos de etiquetado de datos en visión por ordenador

Las distintas tareas de CV requieren distintos tipos de anotación. Los métodos más habituales son:

• Clasificación de imágenes: La forma más sencilla, en la que se asigna una única etiqueta a toda una imagen para describir su contenido (por ejemplo, "gato", "perro"). Puede explorar conjuntos de datos para esta tarea como CIFAR-100.
• Detección de objetos: Consiste en dibujar un recuadro alrededor de cada objeto de interés en una imagen y asignarle una etiqueta de clase. Esto indica al modelo qué objeto es y dónde está.
• Segmentación de imágenes: Método más granular que consiste en perfilar la forma exacta de un objeto a nivel de píxel. Puede dividirse a su vez en segmentación semántica, en la que todos los objetos de la misma clase comparten una máscara, y segmentación por instancia, en la que cada instancia de objeto individual se segmenta por separado.
• Estimación de la pose: Esta técnica identifica la posición y orientación de los objetos mediante la anotación de puntos clave. Por ejemplo, en la estimación de la pose humana, los puntos clave marcarían articulaciones como codos, rodillas y muñecas. El conjunto de datos COCO Keypoints es un recurso popular para esta tarea.

Aplicaciones reales

1. Vehículos autónomos: El etiquetado de datos es esencial para entrenar los sistemas de percepción de los coches autónomos. Los anotadores humanos etiquetan meticulosamente millones de imágenes y fotogramas de vídeo, dibujando recuadros alrededor de coches, peatones y ciclistas, segmentando las marcas de los carriles y clasificando las señales de tráfico. Esta gran cantidad de datos etiquetados permite a modelos como Ultralytics YOLO11 aprender a desenvolverse con seguridad en entornos urbanos complejos. El trabajo realizado por empresas como Waymo se basa en gran medida en amplios conjuntos de datos etiquetados con precisión. Puedes obtener más información sobre este campo en nuestra página de soluciones de IA en automoción.
2. Análisis de imágenes médicas: En el ámbito de la IA en sanidad, los radiólogos y expertos médicos etiquetan escáneres como resonancias magnéticas, tomografías computarizadas y radiografías para identificar tumores, lesiones y otras anomalías. Por ejemplo, en un conjunto de datos sobre tumores cerebrales, los expertos trazarían los límites exactos de un tumor. Estos datos etiquetados se utilizan para entrenar modelos que pueden ayudar al diagnóstico precoz, reduciendo potencialmente la carga de trabajo de los profesionales médicos y mejorando los resultados de los pacientes. La Sociedad Radiológica de Norteamérica (RSNA) explora activamente el papel de la IA en el diagnóstico médico.

Etiquetado de datos frente a conceptos relacionados

El etiquetado de datos suele realizarse junto con otras tareas de preparación de datos, pero es importante distinguirlas:

• Aumento de datos: Esta técnica amplía artificialmente el conjunto de datos de entrenamiento creando versiones modificadas de datos ya etiquetados (por ejemplo, girando, volteando o cambiando el brillo de una imagen). La ampliación aumenta la diversidad de datos, pero depende de un conjunto inicial de datos etiquetados. Una visión general de la ampliación de datos ofrece más detalles.
• Depuración de datos: Este proceso consiste en identificar y corregir o eliminar errores, incoherencias e imprecisiones en un conjunto de datos. Aunque puede incluir la corrección de etiquetas incorrectas, la limpieza de datos es un paso de garantía de calidad, mientras que el etiquetado de datos es el acto inicial de crear las anotaciones. La limpieza de datos en Wikipedia ofrece más contexto.
• Preprocesamiento de datos: Se trata de un término más amplio que engloba el etiquetado de datos, la limpieza y otras transformaciones como la normalización o el cambio de tamaño de las imágenes para prepararlas para un modelo. El etiquetado es un paso específico y crucial dentro del proceso de preprocesamiento.

Retos y soluciones

A pesar de su importancia, el etiquetado de datos está plagado de retos, como los elevados costes, la importante inversión de tiempo y la posibilidad de error humano o subjetividad. Garantizar la calidad y coherencia de las etiquetas entre grandes equipos de anotadores es un gran obstáculo logístico.

Para agilizar este proceso, los equipos suelen utilizar herramientas de anotación especializadas como CVAT o plataformas como Ultralytics HUB, que proporcionan un entorno de colaboración para gestionar conjuntos de datos y flujos de trabajo de etiquetado. Además, técnicas avanzadas como el aprendizaje activo pueden ayudar a seleccionar de forma inteligente los puntos de datos más informativos que deben etiquetarse, optimizando el uso del tiempo y el esfuerzo de los anotadores humanos. Como se detalla en un artículo del Stanford AI Lab, centrarse en la calidad de los datos es clave para el éxito de la IA.