Época (Epoch)

En el contexto del entrenamiento modelos de inteligencia artificial (IA), una se refiere a una pasada completa de todo el conjunto de datos de entrenamiento a través del algoritmo de aprendizaje. Es una unidad unidad de tiempo fundamental en el redes neuronales (NN), que marca el punto en el que el modelo ha tenido la oportunidad de aprender de cada muestra de los datos proporcionados exactamente una vez. Dado que los modelos de aprendizaje profundo los modelos de aprendizaje profundo rara vez alcanzan un rendimiento óptimo después de ver los datos una sola vez, el entrenamiento suele implicar la repetición de este proceso a lo largo de muchas épocas. repetir este proceso durante muchas épocas para minimizar los errores y refinar los parámetros internos.

La mecánica del aprendizaje a lo largo del tiempo

El objetivo principal durante una época es ajustar las pesos del modelo para asignar las entradas a las salidas correctas correctas. Durante este proceso, un algoritmo de optimización, como el Stochastic Gradient DescentSGD), calcula el error utilizando una función de pérdida específica y actualiza el modelo interno. función de pérdida y actualiza el estado interno del modelo.

El aprendizaje en una sola pasada suele ser insuficiente porque los conjuntos de datos contienen variaciones complejas y ruido. Al ejecutar múltiples múltiples épocas, el modelo mejora iterativamente su capacidad para realizar tareas como la clasificación o segmentación de imágenes. Este Este perfeccionamiento iterativo permite a la red generalizar patrones a partir de los datos de entrenamiento, en lugar de limitarse a memorizar patrones específicos. datos de entrenamiento en lugar de limitarse a memorizar específicos. Los marcos de aprendizaje profundo como PyTorch y TensorFlow proporcionan mecanismos mecanismos para controlar el bucle de entrenamiento sobre estos ciclos.

Épocas vs. Lotes vs. Iteraciones

Para entender cómo funcionan eficazmente los bucles de entrenamiento, es crucial distinguir entre tres términos estrechamente relacionados a menudo confundidos por los principiantes:

• Época: El proceso de pasar todo el conjunto de datos por la red una sola vez.
• Tamaño del lote: El número de muestras procesadas antes de que el modelo actualice sus ponderaciones. Cargar un conjunto de datos masivo en memoria a menudo es imposible, por lo que los datos se dividen en grupos más pequeños llamados lotes.
• Iteración: Un único paso de actualización en el que el modelo procesa un lote y realiza retropropagación para ajustar los pesos.

Por ejemplo, si tiene un conjunto de datos de 10.000 imágenes y establece un tamaño de lote de 100, tardará 100 iteraciones en completar una época. completar una época.

Determinar el número óptimo de épocas

Seleccionar el número correcto de épocas es un aspecto crítico de la sintonización de hiperparámetros. de los hiperparámetros. Entrenar durante muy pocos o demasiados ciclos puede conducir a un rendimiento subóptimo.

1. Insuficiente: Si el modelo se entrena durante muy pocas épocas, es posible que no consiga captar la lógica subyacente de los datos, lo que provocará un rendimiento deficiente tanto en los conjuntos de entrenamiento como en los de prueba.
2. Sobreajuste: Si el entrenamiento se prolonga demasiado, el modelo puede empezar a memorizar ruido y detalles específicos del conjunto de entrenamiento. entrenamiento. Mientras que la precisión del entrenamiento aumenta datos de validación no vistos.

Para mitigar estos problemas, los ingenieros suelen utilizar una técnica que detiene el entrenamiento cuando la pérdida de validación deja de mejorar, independientemente de las épocas totales especificadas. pérdida de validación deja de mejorar, independientemente del total de épocas especificado. Las herramientas de visualización como TensorBoard se utilizan con frecuencia para supervisar estas métricas en tiempo real. en tiempo real.

Aplicaciones en el mundo real

El concepto de épocas es universal en varios dominios de aprendizaje dominios de aprendizaje automático.

• Conducción autónoma: El desarrollo de un vehículo autónomo requiere modelos de objetos entrenados en conjuntos de datos masivos con millones de escenas callejeras. Un modelo como YOLO11 puede entrenarse durante cientos de épocas para garantizar que puede identificar con fiabilidad peatones y señales de tráfico en diversas condiciones meteorológicas. El entrenamiento exhaustivo garantiza que el sistema alcance una precisión media (mAP) antes de despliegue.
• Vigilancia agrícola: En agricultura de precisión, los drones utilizan para vigilar la salud de los cultivos. Dado que los conjuntos de datos agrícolas pueden ser más pequeños o muy específicos, los investigadores podrían utilizar el aprendizaje por transferencia y epochs para afinar un modelo preentrenado, utilizando de datos para ampliar artificialmente el conjunto de artificialmente el conjunto de datos y evitar el sobreajuste.

Ejemplo de código: Entrenamiento con épocas

Al utilizar el ultralytics la especificación del número de épocas es sencilla. La dirección train() acepta un método epochs que controla el número de veces que el modelo itera sobre los datos proporcionados.

from ultralytics import YOLO

# Load the YOLO11 model (recommended for latest performance)
model = YOLO("yolo11n.pt")

# Train the model for 50 epochs on the COCO8 dataset
# The 'epochs' argument defines the total passes through the data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

Este fragmento muestra cómo iniciar una ejecución de entrenamiento en la que el modelo refinará su comprensión del conjunto de datos "coco8" 50 veces. "coco8" 50 veces. Para futuros avances, Ultralytics está desarrollando actualmente YOLO26, que permitirá un entrenamiento de principio a fin con una eficiencia aún mayor. finales de 2025.