Feature Extraction

La extracción de características es un proceso transformador del aprendizaje automático (ML) que convierte datos sin procesar y de alta dimensionalidad en un conjunto refinado de atributos informativos o «características». Los datos de entrada sin procesar, como imágenes de alta resolución, flujos de audio o texto no estructurado, suelen ser demasiado voluminosos y redundantes para que los algoritmos los procesen eficazmente. La extracción de características aborda este problema destilando la entrada hasta sus componentes más esenciales —preservando la información crítica necesaria para el modelado predictivo y descartando al mismo tiempo el ruido y los detalles de fondo irrelevantes—. Esta reducción es vital para mitigar la maldición de la dimensionalidad, garantizando que los modelos sigan siendo eficientes desde el punto de vista computacional y capaces de generalizar correctamente a datos nuevos que no hayan visto antes.

El papel de la extracción de características en el aprendizaje profundo#

En la era de la visión artificial tradicional, los expertos recurrían a técnicas manuales como la transformada de características invariante a la escala (SIFT) para identificar puntos clave en las imágenes. Sin embargo, el aprendizaje profundo (DL) moderno ha revolucionado este flujo de trabajo al automatizar el descubrimiento de características.

Las redes neuronales, específicamente las redes neuronales convolucionales (CNNs), emplean un componente arquitectónico especializado conocido como arquitectura troncal para realizar la extracción de características de forma jerárquica. A medida que los datos atraviesan las capas de la red, aumenta la complejidad de las características extraídas:

• Capas superficiales: Estas capas iniciales actúan como detectores de bordes e identifican estructuras sencillas de bajo nivel, como líneas, esquinas y gradientes de color.
• Capas profundas: A medida que la red se hace más profunda, estos elementos sencillos se agregan para formar representaciones semánticas de alto nivel, como la forma de un vehículo, un rostro humano o las marcas específicas de un animal.

Estas representaciones aprendidas se almacenan en mapas de características, que posteriormente se pasan a una cabeza de detección para realizar tareas como la detección de objetos o la clasificación de imágenes.

Aplicaciones en el mundo real#

La extracción de características actúa como el motor de muchas capacidades avanzadas de IA, traduciendo entradas sensoriales sin procesar en información útil en diversos sectores.

• Diagnóstico médico: En el ámbito de la IA en la atención sanitaria, los modelos analizan imágenes médicas complejas, como escáneres de MRI o CT. Los sofisticados algoritmos de extracción de características identifican anomalías sutiles en la densidad o la textura de los tejidos que pueden indicar patologías en fases tempranas. Al aislar estos marcadores visuales críticos, los sistemas pueden ayudar a los radiólogos en la detección de tumores con una precisión y velocidad significativamente mayores.
• Conducción autónoma: Los coches autónomos dependen de la extracción de características en tiempo real para desplazarse de forma segura. Las cámaras integradas transmiten vídeo a modelos de visión artificial (CV) que extraen al instante las características relevantes de las marcas viales, los semáforos y los movimientos de los peatones. Esta capacidad permite a los vehículos autónomos tomar decisiones en fracciones de segundo en entornos dinámicos.
• Procesamiento de audio: En los asistentes de voz, las formas de onda de audio sin procesar se convierten en espectrogramas. A continuación, los algoritmos extraen características fonéticas, el tono y la entonación, lo que permite a los sistemas de voz a texto comprender el lenguaje hablado independientemente del acento del hablante o del ruido de fondo.

Extracción de características con Ultralytics YOLO#

Arquitecturas de última generación como Ultralytics YOLO26 integran arquitecturas troncales potentes para la extracción de características directamente en su diseño. Cuando ejecutas la inferencia, el modelo procesa automáticamente la imagen para extraer las características relevantes antes de predecir las cajas delimitadoras y las etiquetas de clase.

El siguiente ejemplo muestra cómo utilizar un modelo preentrenado para procesar una imagen. Aunque el código es sencillo, el modelo realiza internamente una extracción de características compleja para localizar objetos:

from ultralytics import YOLO

# Load a pretrained YOLO26 model, which includes a learned feature extraction backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The model internally extracts features to locate and classify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes
results[0].show()

Para los equipos que buscan gestionar los conjuntos de datos utilizados para entrenar estos extractores de características, la Ultralytics Platform ofrece una solución integral para la anotación, el entrenamiento y la implementación.

Diferenciación entre términos relacionados#

Para comprender plenamente el flujo de trabajo de la ciencia de datos, resulta útil distinguir la extracción de características de conceptos similares.

• Extracción de características frente a ingeniería de características: Aunque a menudo se mencionan conjuntamente, la ingeniería de características es un término más amplio que normalmente implica un proceso manual en el que se utiliza el conocimiento del dominio para crear nuevas variables (por ejemplo, calcular el «precio por metro cuadrado» a partir del «precio» y la «superficie»). La extracción de características es una técnica específica —a menudo automatizada en el aprendizaje profundo— que proyecta datos de alta dimensionalidad (como píxeles) en un vector de características de menor dimensionalidad.
• Extracción de características frente a selección de características: La selección de características consiste en elegir un subconjunto de las características existentes sin modificarlas, eliminando simplemente las menos importantes para reducir el ruido. En cambio, la extracción de características crea características nuevas transformando y combinando los puntos de datos originales, por ejemplo mediante el análisis de componentes principales (PCA) o los pesos aprendidos de la red.

Al dominar la extracción de características, los desarrolladores pueden aprovechar frameworks como PyTorch y TensorFlow para crear modelos que no solo sean precisos, sino también lo bastante eficientes para su implementación en dispositivos periféricos.