Normalización

La normalización es una técnica fundamental en el preprocesamiento de datos que implica reescalar los atributos numéricos a un rango estándar. En el contexto del aprendizaje automático (ML), los conjuntos de datos suelen contener características con escalas variables, como rangos de edad (0-100) frente a niveles de ingresos (0-100 000). Si no se tratan, estas disparidades pueden hacer que el algoritmo de optimización se incline hacia los valores más altos, lo que ralentiza la convergencia y da lugar a un rendimiento subóptimo. Al normalizar los datos, los ingenieros se aseguran de que cada característica contribuya de manera proporcional al resultado final, lo que permite que las redes neuronales aprendan de manera más eficiente.

Técnicas habituales de normalización

Existen varios métodos estándar para transformar datos, cada uno adecuado para diferentes distribuciones y requisitos de algoritmos .

• Escalado mínimo-máximo: Esta es la forma más intuitiva de normalización. Reescala los datos a un rango fijo, normalmente [0, 1]. Esta transformación se realiza restando el valor mínimo y dividiendo por el rango (máximo menos mínimo). Se utiliza ampliamente en el procesamiento de imágenes , donde se sabe que las intensidades de los píxeles están limitadas entre 0 y 255.
• Estandarización de la puntuación Z: Aunque a menudo se utiliza indistintamente con la normalización, la estandarización transforma específicamente los datos para que tengan una media de 0 y una desviación estándar de 1. Esto es especialmente útil cuando los datos siguen una distribución gaussiana y es esencial para algoritmos como las máquinas de vectores de soporte (SVM), que asumen datos distribuidos normalmente.
• Escalado logarítmico: Para datos que contienen valores atípicos extremos o que siguen una ley de potencias, la aplicación de una transformación logarítmica puede comprimir el rango de valores. Esto hace que la distribución sea más manejable para que el motor de inferencia la interprete de manera eficaz sin verse sesgado por picos de valores masivos.

Aplicaciones en el mundo real

La normalización es un paso estándar en los procesos de los sistemas de IA de alto rendimiento en diversos sectores.

1. Visión artificial (CV): En tareas como la detección de objetos y la clasificación de imágenes, las imágenes digitales se componen de valores de píxeles que van de 0 a 255. Introducir estos grandes números enteros directamente en una red puede ralentizar el descenso del gradiente. Un paso de preprocesamiento estándar consiste en dividir los valores de píxeles por 255,0 para normalizarlos al rango [0, 1]. Esta práctica garantiza entradas consistentes para modelos avanzados como YOLO26, lo que mejora la estabilidad del entrenamiento en la Ultralytics .
2. Análisis de imágenes médicas: Las exploraciones médicas, como las que se utilizan en la IA en el ámbito sanitario, suelen proceder de diferentes máquinas con escalas de intensidad variables. La normalización garantiza que las intensidades de los píxeles de una resonancia magnética o una tomografía computarizada sean comparables entre diferentes pacientes y equipos. Esta coherencia es fundamental para la detección precisa de tumores, ya que permite al modelo centrarse en las anomalías estructurales en lugar de en las variaciones de brillo.

Distinguir conceptos relacionados

Es importante diferenciar la normalización de términos similares de preprocesamiento y arquitectura que se encuentran en el aprendizaje profundo .

• vs. Normalización por lotes: La normalización de datos es un paso de preprocesamiento que se aplica al conjunto de datos de entrada sin procesar antes de que entre en la red. Por el contrario, la normalización por lotes opera internamente entre capas a lo largo de la red durante el entrenamiento del modelo. Normaliza la salida de una capa de activación anterior para estabilizar el proceso de aprendizaje.
• vs. Aumento de imágenes: Mientras que la normalización cambia la escala de los valores de los píxeles, el aumento cambia el contenido o la geometría de la imagen (por ejemplo, volteando, rotando o cambiando colores) para aumentar la diversidad del conjunto de datos. Herramientas como Albumentations se utilizan para el aumento, mientras que la normalización es una operación matemática de escalado.

Ejemplo de aplicación

En la visión por computadora, la normalización suele ser el primer paso del proceso. El siguiente Python muestra cómo normalizar manualmente datos de imagen utilizando la NumPy , un proceso que se realiza automáticamente en el cargador de datos Ultralytics durante el entrenamiento.

import numpy as np

# Simulate a 2x2 pixel image with values ranging from 0 to 255
raw_image = np.array([[0, 255], [127, 64]], dtype=np.float32)

# Apply Min-Max normalization to scale values to [0, 1]
# This standardizes the input for the neural network
normalized_image = raw_image / 255.0

print(f"Original Range: {raw_image.min()} - {raw_image.max()}")
print(f"Normalized Range: {normalized_image.min()} - {normalized_image.max()}")