Test Data

Datos de prueba es un subconjunto específico de un conjunto de datos más amplio que se reserva estrictamente para evaluar el rendimiento final de un modelo de machine learning (ML). A diferencia de los datos utilizados durante las fases iniciales de aprendizaje, los datos de prueba permanecen completamente "inéditos" para el algoritmo hasta el final del ciclo de desarrollo. Este aislamiento es fundamental porque proporciona una evaluación imparcial de cómo un modelo de computer vision (CV) u otro sistema de IA se generalizará a nuevas entradas del mundo real. Al simular un entorno de producción, los datos de prueba ayudan a los desarrolladores a verificar que su modelo ha aprendido realmente los patrones subyacentes en lugar de simplemente memorizar los ejemplos de entrenamiento.

Link to this sectionEl papel de los datos de prueba en el ciclo de vida del ML#

En el flujo de trabajo de machine learning estándar, los datos se dividen normalmente en tres categorías distintas, cada una con un propósito único. Comprender la distinción entre estas divisiones es vital para construir sistemas de inteligencia artificial (IA) robustos.

• Datos de entrenamiento: Esta es la mayor parte del conjunto de datos, utilizada para enseñar al modelo. El algoritmo ajusta iterativamente sus parámetros internos, o pesos, para minimizar los errores en este conjunto específico de ejemplos.
• Datos de validación: Este subconjunto se utiliza con frecuencia durante el proceso de entrenamiento para ajustar hiperparámetros y guiar las decisiones de arquitectura. Actúa como un control provisional para evitar el overfitting, donde un modelo funciona bien con los datos de entrenamiento pero falla con datos nuevos.
• Datos de prueba: Este es el "examen" final para el modelo. Nunca se utiliza para actualizar pesos ni ajustar configuraciones. La evaluación con datos de prueba proporciona métricas de rendimiento definitivas, como precisión, recall y Mean Average Precision (mAP), que las partes interesadas utilizan para decidir si un modelo está listo para el despliegue del modelo.

La gestión adecuada de estas divisiones suele facilitarse mediante herramientas como la Ultralytics Platform, que puede organizar automáticamente los conjuntos de datos cargados en estas categorías esenciales para garantizar una evaluación del modelo rigurosa.

Link to this sectionImportancia de una evaluación imparcial#

El valor principal de los datos de prueba reside en su capacidad para detectar problemas de sesgo de datos y varianza. Si un modelo logra un 99% de precisión en los datos de entrenamiento pero solo un 60% en los datos de prueba, indica una alta varianza (overfitting). Por el contrario, un rendimiento deficiente en ambos sugiere un subajuste (underfitting).

Using a designated test set adheres to scientific principles of reproducibility and objectivity. Without a pristine test set, developers risk "teaching to the test," effectively leaking information from the evaluation phase back into the training phase—a phenomenon known as data leakage. This results in overly optimistic performance estimates that crumble when the model faces real-world data.

Link to this sectionAplicaciones en el mundo real#

Los datos de prueba son esenciales en todas las industrias que emplean IA para garantizar la seguridad y la fiabilidad antes de que los sistemas entren en funcionamiento.

• Conducción autónoma: En el desarrollo de vehículos autónomos, los datos de entrenamiento pueden consistir en millones de kilómetros recorridos en autopista con buen tiempo. Sin embargo, los datos de prueba deben incluir escenarios poco comunes y desafiantes (como nieve intensa, obstáculos repentinos o señales de tráfico confusas) que el coche nunca ha "visto" explícitamente durante el entrenamiento. Esto garantiza que el sistema de detección de objetos pueda reaccionar de forma segura en entornos impredecibles.
• Diagnóstico sanitario: Al construir un modelo para la detección de tumores en imágenes médicas, el conjunto de entrenamiento podría provenir de la base de datos de un hospital específico. Para verificar que el modelo es robusto y seguro para su uso general, los datos de prueba deberían idealmente incluir escaneos de diferentes hospitales, tomados con diferentes máquinas y que representen una demografía de pacientes diversa. Esta validación externa confirma que la IA no tiene sesgos hacia un tipo de equipo o población específica.

Link to this sectionEvaluación del rendimiento con código#

Utilizando el paquete ultralytics, puedes evaluar fácilmente el rendimiento de un modelo en un conjunto de datos independiente. Aunque el modo val se utiliza a menudo para la validación durante el entrenamiento, también puede configurarse para ejecutarse en una división de prueba específica definida en tu configuración YAML del conjunto de datos.

Aquí tienes cómo evaluar un modelo preentrenado YOLO26 para obtener métricas como mAP50-95:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Evaluate the model's performance on the validation set
# (Note: In a strict testing workflow, you would point 'data'
# to a YAML that defines a specific 'test' split and use split='test')
metrics = model.val(data="coco8.yaml")

# Print a specific metric, e.g., mAP at 50-95% IoU
print(f"Mean Average Precision (mAP50-95): {metrics.box.map}")

Este proceso genera métricas completas, permitiendo a los desarrolladores comparar objetivamente diferentes arquitecturas, como YOLO26 vs YOLO11, y asegurar que la solución elegida cumpla con los objetivos definidos del proyecto. Las pruebas rigurosas son el paso final de control para garantizar que se cumplen los estándares de seguridad de la IA de alta calidad.