Feature Extraction

La extracción de características es el proceso de transformar datos sin procesar en un conjunto más reducido de características numéricas que conserva la información que necesita una tarea. Una foto RGB de 640×480 contiene 921.600 valores de píxel, la mayoría redundantes, y un extractor de características puede reducirla a un vector de unos cientos de números que describen su contenido. El aprendizaje automático clásico se basaba en extractores diseñados manualmente para cada tipo de datos, y los modelos de aprendizaje profundo aprenden los suyos en una red backbone, cuya salida se puede reutilizar para búsquedas, agrupaciones y nuevos clasificadores. Unas dimensiones menos numerosas y más informativas también alivian la maldición de la dimensionalidad, por lo que los modelos más sencillos pueden generalizar a partir de menos datos.

Características diseñadas a mano y características aprendidas#

Antes del aprendizaje profundo, los ingenieros creaban un extractor de características para cada tipo de datos:

• SIFT: Detecta puntos clave en una imagen y describe cada uno con un histograma de 128 dimensiones de orientaciones de gradiente, estable ante cambios de escala y rotación, lo que lo convirtió en la herramienta estándar para emparejar imágenes y unir panorámicas.
• HOG: Histogramas de gradientes orientados calculados sobre una cuadrícula de celdas; combinado con una máquina de vectores de soporte lineal, HOG se presentó en 2005 para detectar peatones y se convirtió en una herramienta fundamental de la detección clásica de objetos.
• Análisis de componentes principales (PCA): Proyecta los datos sobre las direcciones de mayor varianza; es un método de uso general para datos tabulares, rostros y espectros.
• Coeficientes cepstrales en las frecuencias de Mel (MFCCs): Resumen el espectro de audio a corto plazo en una escala adaptada a la audición humana y durante mucho tiempo fueron la entrada predeterminada para el reconocimiento del habla.

Las características aprendidas han sustituido a la mayoría de estas técnicas para imágenes, audio y texto. Una red neuronal convolucional (CNN) o un Transformer de visión (ViT) entrenado con millones de imágenes construye por sí solo una jerarquía: las primeras capas detectan bordes y manchas de color, las capas intermedias detectan texturas y partes, y las últimas capas codifican conceptos a nivel de objeto. Estas representaciones, almacenadas en mapas de características, se transfieren a nuevas tareas, por lo que los backbones preentrenados son el punto de partida predeterminado para el aprendizaje por transferencia.

Extracción de características y términos relacionados#

• Ingeniería de características: La práctica más amplia de crear, transformar y elegir entradas para el modelo, a menudo a partir de conocimientos del dominio, como calcular el precio por metro cuadrado a partir del precio y la superficie. La extracción de características es una parte de esta práctica y, en el aprendizaje profundo, está totalmente automatizada.
• Selección de características: Conserva sin cambios un subconjunto de las características originales y descarta el resto. La extracción de características crea características nuevas al transformar o combinar las originales.
• Reducción de dimensionalidad: Se solapa ampliamente con la extracción de características, y PCA cuenta como ambas. Los métodos diseñados para visualizar datos, como t-SNE, reducen las dimensiones para que las personas puedan inspeccionarlas y rara vez se utilizan como entradas de modelos.
• Embeddings: Los vectores de características que produce un extractor aprendido. En el aprendizaje profundo, «características extraídas» y «embeddings» suelen referirse a los mismos vectores.

Uso de una red preentrenada como extractor de características#

La receta habitual consiste en tomar una red preentrenada, eliminar su cabeza de tarea, pasar los datos por las capas congeladas y agrupar el último mapa de características en un vector por entrada. Con etiquetas, entrenar únicamente un clasificador lineal con esos vectores, lo que se conoce como sondeo lineal, ofrece una sólida referencia con una pequeña parte del coste de entrenar una red. Sin etiquetas, la búsqueda vectorial encuentra imágenes visualmente similares, la agrupación k-means organiza un conjunto de datos para depurarlo y eliminar duplicados, y la distancia respecto a ejemplos normales señala defectos en la detección de anomalías. Los pesos del backbone no cambian durante la extracción de características, lo que la diferencia del ajuste fino.

Los modelos YOLO26 ofrecen esta funcionalidad mediante model.embed(), que ejecuta la red hasta una capa elegida y aplica una agrupación media al mapa de características de esa capa para obtener un vector por imagen; embed=[10] se detiene en la última capa del backbone de YOLO26.

from ultralytics import YOLO

# Carga un modelo YOLO26 preentrenado; su backbone termina en la capa 10
model = YOLO("yolo26n.pt")

# Aplica una agrupación media al mapa de características final del backbone para obtener un vector por imagen
embeddings = model.embed("https://ultralytics.com/images/bus.jpg", embed=[10])
vector = embeddings[0]

print(vector.shape)

Imprime torch.Size([256]): la foto completa del autobús reducida a 256 números, uno por canal de la salida del backbone con stride 32 de YOLO26n, lista para la búsqueda vectorial o la agrupación.