Licencia YOLO
Volver al glosario de Ultralytics

Latent Space

Un espacio latente es el espacio comprimido de características aprendidas donde una red neuronal sitúa cerca las entradas similares; se utiliza para búsqueda y generación.

Un espacio latente es el espacio de representaciones internas que aprende un modelo de aprendizaje automático. Cada entrada se convierte en un punto, normalmente con muchas menos dimensiones que los datos originales, y las entradas con significados similares quedan cerca unas de otras. «Latente» significa oculto: las coordenadas no se miden en los datos, sino que el modelo las infiere durante el entrenamiento. Una foto en color de 640 x 640 contiene 1.228.800 valores de píxel; un modelo de imagen puede resumirla en un vector de unos cientos de números y, en un espacio bien entrenado, las imágenes más cercanas a una foto de un coche son las de otros coches, mientras que las direcciones del espacio corresponden a propiedades como la pose, el color o el estilo.

Los espacios latentes funcionan porque los datos naturales son muy redundantes. La mayoría de las matrices de píxeles posibles parecen ruido, y las imágenes reales ocupan una región estrecha y curva del espacio de píxeles, una idea conocida como la hipótesis de la variedad. Una red neuronal que aprende coordenadas a lo largo de esa región puede describir cada imagen con unos pocos números.

Espacio latente, incrustaciones y mapas de características#

Una incrustación es un único punto de un espacio latente, el vector de una imagen, palabra o usuario, y el espacio latente es el conjunto de todos esos puntos junto con las distancias entre ellos; «espacio de incrustación» es sinónimo. Los mapas de características de una red convolucional son representaciones latentes espaciales, con un vector en cada ubicación, que el modelo suele agrupar en una única incrustación por imagen. Los métodos de reducción de dimensionalidad también generan espacios latentes: el análisis de componentes principales (PCA) encuentra uno lineal, y t-SNE se usa sobre todo para proyectar un espacio latente aprendido en dos dimensiones y representarlo gráficamente.

Cómo aprenden los modelos un espacio latente#

Un codificador automático aprende uno directamente. Su codificador comprime cada entrada en un vector corto; su decodificador reconstruye la entrada a partir de ese vector, y minimizar el error de reconstrucción obliga al cuello de botella a conservar lo que distingue una entrada de otra. No se usan etiquetas, pero el espacio resultante agrupa entradas similares, algo que puede medir un clasificador de k vecinos más próximos (KNN):

import torch
from sklearn.datasets import load_digits
from sklearn.neighbors import KNeighborsClassifier
from torch import nn

torch.manual_seed(0)
images, labels = load_digits(return_X_y=True)  # 1,797 handwritten digits, 8 x 8 = 64 pixels each
x = torch.tensor(images / 16, dtype=torch.float32)

# An autoencoder squeezes 64 pixels through an 8-number bottleneck: the latent space
encoder = nn.Sequential(nn.Linear(64, 32), nn.ReLU(), nn.Linear(32, 8))
decoder = nn.Sequential(nn.Linear(8, 32), nn.ReLU(), nn.Linear(32, 64))
optimizer = torch.optim.Adam([*encoder.parameters(), *decoder.parameters()], lr=0.01)
for _ in range(1000):
    loss = (decoder(encoder(x)) - x).square().mean()  # reconstruction error, no labels used
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# Classify held-out digits by their nearest neighbors in each space
codes = encoder(x).detach().numpy()
for name, features in (("64 pixels", images), ("8 latent values", codes)):
    knn = KNeighborsClassifier().fit(features[:1400], labels[:1400])
    print(f"{name}: {knn.score(features[1400:], labels[1400:]):.2f} accuracy")

Imprime 64 pixels: 0.97 accuracy y 8 latent values: 0.93 accuracy. Ocho números aprendidos por imagen conservan suficiente información de la identidad del dígito para que la clasificación por vecinos más próximos se acerque a la obtenida con los 64 píxeles, aunque el codificador automático nunca haya visto una etiqueta.

Los codificadores automáticos variacionales, presentados por Diederik Kingma y Max Welling en 2013, codifican cada entrada como una distribución en lugar de como un punto, lo que suaviza el espacio lo suficiente para generar nuevos datos a partir de él e interpolar entre ejemplos. El aprendizaje contrastivo organiza un espacio acercando los pares coincidentes y separando los demás; CLIP se entrena con pares de imágenes y pies de foto para que las imágenes y el texto compartan un único espacio latente. Las redes supervisadas aprenden un espacio latente como efecto secundario de su tarea. model.embed() de Ultralytics YOLO26 ejecuta el modo de predicción y devuelve un vector por imagen promediando, en todas las posiciones espaciales, el mapa de características de la capa anterior a la cabeza de detección; esta representación es adecuada para la agrupación y la búsqueda por similitud.

Qué permiten los espacios latentes#

La generación es más barata en un espacio compacto. Los modelos de difusión latente ejecutan el proceso de eliminación de ruido de los modelos de difusión sobre representaciones latentes en vez de píxeles. Stable Diffusion, basado en el artículo sobre difusión latente, utiliza un codificador automático para comprimir una imagen RGB de 512 x 512 en una representación latente de 64 x 64 x 4, con 48 veces menos valores, lo que hace asequible generar imágenes de alta resolución. Las redes generativas antagónicas (GANs) convierten vectores latentes aleatorios en imágenes, así que desplazarse entre dos puntos latentes transforma un rostro generado en otro.

La búsqueda y el reconocimiento funcionan midiendo distancias. Los sistemas de búsqueda semántica incrustan documentos o imágenes una sola vez, almacenan los vectores en una base de datos vectorial y devuelven los elementos con mayor similitud coseno respecto a la incrustación de una consulta. En un espacio compartido de imágenes y texto, como el de CLIP, el aprendizaje de cero disparos clasifica una imagen con el nombre de clase cuya incrustación de texto está más cerca, sin imágenes de entrenamiento de esa clase. Para la detección de anomalías, un codificador automático entrenado únicamente con piezas normales reconstruye mal las piezas defectuosas, y las entradas cuyas incrustaciones quedan lejos del grupo normal se marcan para su inspección.

Las direcciones de un espacio bien organizado codifican atributos. En las incrustaciones word2vec que Tomas Mikolov y sus colegas publicaron en 2013, un recurso básico del procesamiento del lenguaje natural (NLP), el vector de «rey» menos «hombre» más «mujer» queda más cerca del de «reina».

Explora las soluciones

Visión artificial en el deporte

Visión artificial en el deporte

Descubre cómo Ultralytics YOLO impulsa la visión artificial en el deporte con el seguimiento de jugadores y balones, analíticas de rendimiento, información útil para entrenadores y rehabilitación de deportistas.
Más información
Visión artificial para imágenes aéreas

Visión artificial para imágenes aéreas

Convierte imágenes aéreas y de drones en información útil en tiempo real para la agricultura, la acuicultura, la conservación y el análisis geoespacial con Ultralytics YOLO.
Más información
Visión artificial en el sector aeroespacial

Visión artificial en el sector aeroespacial

Aplica la visión artificial en el sector aeroespacial con Ultralytics YOLO para inspeccionar aeronaves, detectar objetos extraños en pistas, gestionar operaciones en tierra y detectar defectos en materiales compuestos.
Más información
Visión artificial en seguridad

Visión artificial en seguridad

Protege todas tus instalaciones con los modelos Ultralytics YOLO. La IA visual permite supervisar perímetros, detectar amenazas, reconocer matrículas y mejorar la seguridad laboral.
Más información
Visión artificial en robótica

Visión artificial en robótica

Potencia máquinas más inteligentes con los modelos Ultralytics YOLO. La IA visual en robótica impulsa la navegación autónoma, la percepción, el seguimiento de objetos y el control en tiempo real.
Más información
Visión artificial en logística

Visión artificial en logística

Agiliza la logística con modelos Ultralytics YOLO. La IA visual permite inspeccionar paquetes, clasificarlos, realizar el seguimiento de vehículos y supervisar la seguridad del almacén en tiempo real.
Más información
Visión artificial en el comercio minorista

Visión artificial en el comercio minorista

Reinventa el comercio minorista con modelos Ultralytics YOLO. La IA visual permite realizar el seguimiento del inventario, supervisar estanterías, gestionar colas y obtener información más útil sobre los clientes.
Más información
Visión artificial en el sector sanitario

Visión artificial en el sector sanitario

Desarrolla soluciones sanitarias con modelos Ultralytics YOLO. La IA visual en el sector sanitario permite acelerar el diagnóstico por imagen, mejorar los diagnósticos y supervisar a los pacientes.
Más información
Visión artificial en la fabricación

Visión artificial en la fabricación

Optimiza la fabricación con modelos Ultralytics YOLO. La IA visual mejora el control de calidad, la detección de defectos, el cumplimiento de las normas de uso de EPI y la automatización de las líneas de montaje.
Más información
Visión artificial en la automoción

Visión artificial en la automoción

Aplica la visión artificial al sector de la automoción con modelos Ultralytics YOLO. La IA visual mejora la seguridad vial, la asistencia al conductor y la automatización de vehículos para lograr carreteras más inteligentes.
Más información
Visión artificial en la agricultura

Visión artificial en la agricultura

Incorpora la IA de visión a la agricultura inteligente con modelos Ultralytics YOLO. Impulsa la monitorización de cultivos, el seguimiento del ganado y la agricultura de precisión para obtener cosechas más abundantes e inteligentes.
Más información

¡Construyamos juntos el futuro de la IA!

Inicia tu recorrido hacia el futuro del aprendizaje automático