Data Preprocessing

El preprocesamiento de datos es el primer paso fundamental de la canalización de aprendizaje automático, en el que los datos sin procesar se transforman en un formato limpio y comprensible para los algoritmos. En el mundo real, los datos suelen estar incompletos, ser incoherentes y carecer de comportamientos o tendencias específicos, por lo que un ordenador los percibe como «sucios» o «ruidosos». El preprocesamiento tiende un puente entre la información sin procesar y las entradas estructuradas que requieren las redes neuronales, lo que influye considerablemente en la precisión y la eficiencia del modelo final. Al estandarizar y limpiar los conjuntos de datos, los ingenieros se aseguran de que arquitecturas sofisticadas como YOLO26 puedan aprender patrones significativos en lugar de ruido.

¿Por qué es importante el preprocesamiento de datos?#

Los modelos de aprendizaje automático, especialmente los utilizados en la visión artificial, son sensibles a la calidad y la escala de los datos de entrada. Sin un preprocesamiento adecuado, un modelo puede tener dificultades para converger durante el entrenamiento o producir predicciones poco fiables. Por ejemplo, si las imágenes de un conjunto de datos tienen distintas resoluciones o escalas de color, el modelo debe dedicar capacidad adicional a aprender a gestionar estas incoherencias en lugar de centrarse en la tarea real de detección de objetos.

Las técnicas de preprocesamiento suelen tener como objetivos:

• Mejorar la calidad de los datos: Eliminar errores, valores atípicos y duplicados para garantizar que el conjunto de datos represente fielmente el problema.
• Estandarizar las entradas: Reescalar las características (como los valores de los píxeles) a un intervalo uniforme, normalmente entre 0 y 1, para ayudar a que los algoritmos de optimización, como el descenso de gradiente, funcionen de forma más fluida.
• Reducir la complejidad: Simplificar las representaciones de los datos mediante técnicas como la reducción de dimensionalidad, para agilizar el proceso de aprendizaje.

Técnicas clave de preprocesamiento#

Se utilizan varios métodos estándar para preparar los datos para el entrenamiento, cada uno con una finalidad específica dentro de la canalización de datos.

• Limpieza de datos: Consiste en gestionar los valores que faltan (imputación), corregir el etiquetado incoherente y filtrar los archivos dañados. En el contexto de la IA para visión, esto puede significar eliminar imágenes borrosas o corregir las coordenadas incorrectas de las cajas delimitadoras.
• Normalización y escalado: Como las intensidades de los píxeles pueden variar considerablemente, normalizar las imágenes garantiza que los píxeles de alto valor no dominen el proceso de aprendizaje. Entre los métodos habituales se incluyen el escalado Min-Max y la normalización de puntuación Z.
• Codificación: Los datos categóricos, como las etiquetas de clase (por ejemplo, «gato» y «perro»), deben convertirse a formatos numéricos. Técnicas como la codificación one-hot o la codificación de etiquetas son prácticas habituales.
• Cambio de tamaño y formato: Los modelos de aprendizaje profundo suelen esperar entradas de tamaño fijo. Las canalizaciones de preprocesamiento cambian automáticamente el tamaño de imágenes diferentes para adaptarlas a unas dimensiones estándar, como 640x640 píxeles, habituales en la inferencia en tiempo real.

Aplicaciones en el mundo real#

El preprocesamiento de datos está presente en prácticamente todos los sectores y garantiza que las entradas sin procesar se conviertan en información útil para la toma de decisiones.

Diagnóstico mediante imágenes médicas#

En la IA sanitaria, el preprocesamiento es fundamental para analizar radiografías o exploraciones de MRI. Las imágenes médicas sin procesar suelen contener ruido procedente de los sensores o variaciones de iluminación y contraste en función de la máquina utilizada. Los pasos de preprocesamiento, como la ecualización del histograma, mejoran el contraste para hacer más visibles los tumores o las fracturas, mientras que los filtros de reducción de ruido aclaran la estructura de la imagen. Esta preparación permite que los modelos realicen la detección de tumores con mayor precisión, lo que puede salvar vidas al reducir los falsos negativos.

Conducción autónoma#

Los vehículos autónomos dependen de las entradas de varios sensores, como LiDAR, el radar y las cámaras. Estos sensores generan datos a distintas velocidades y escalas. El preprocesamiento sincroniza estas fuentes y filtra el ruido ambiental, como la lluvia o los reflejos, antes de fusionar los datos. Para los vehículos autónomos, esto garantiza que el sistema de percepción reciba una visión coherente de la carretera, lo que permite una navegación segura y una detección fiable de peatones en entornos en tiempo real.

Conceptos relacionados#

Es importante distinguir el preprocesamiento de datos de otros términos que aparecen en el flujo de trabajo de aprendizaje automático.

• frente a la ampliación de datos: Mientras que el preprocesamiento prepara los datos para que el modelo pueda utilizarlos técnicamente (por ejemplo, cambiando su tamaño), la ampliación genera variaciones nuevas de los datos existentes (por ejemplo, girando o volteando imágenes) para aumentar la diversidad del conjunto de datos. Consulta nuestra guía sobre la ampliación de datos de YOLO para obtener más información.
• frente a la ingeniería de características: El preprocesamiento consiste en limpiar y dar formato a los datos. La ingeniería de características implica crear variables nuevas y significativas a partir de los datos para mejorar el rendimiento del modelo, como calcular el «índice de masa corporal» a partir de las columnas de altura y peso.
• frente al etiquetado de datos: El etiquetado es el proceso de definir la verdad fundamental, por ejemplo, dibujando cajas delimitadoras alrededor de los objetos. El preprocesamiento tiene lugar después de recopilar y etiquetar los datos, pero antes de introducirlos en la red neuronal.

Ejemplo práctico#

En el ecosistema de Ultralytics, el preprocesamiento suele gestionarse automáticamente durante la canalización de entrenamiento. Sin embargo, también puedes preprocesar imágenes manualmente utilizando bibliotecas como OpenCV. El siguiente fragmento muestra cómo cargar una imagen, cambiar su tamaño a unas dimensiones de entrada estándar para un modelo como YOLO26 y normalizar los valores de los píxeles.

import cv2
import numpy as np

# Load an image using OpenCV
image = cv2.imread("bus.jpg")

# Resize the image to 640x640, a standard YOLO input size
resized_image = cv2.resize(image, (640, 640))

# Normalize pixel values from 0-255 to 0-1 for model stability
normalized_image = resized_image / 255.0

# Add a batch dimension (H, W, C) -> (1, H, W, C) for inference
input_tensor = np.expand_dims(normalized_image, axis=0)

print(f"Processed shape: {input_tensor.shape}")

Para proyectos a gran escala, utilizar herramientas como Ultralytics Platform puede agilizar estos flujos de trabajo. La plataforma simplifica la gestión de conjuntos de datos y automatiza muchas tareas de preprocesamiento y anotación para acelerar la transición de los datos sin procesar al modelo desplegado.