Training Data

Los datos de entrenamiento son el conjunto de datos inicial que se utiliza para enseñar a un modelo de aprendizaje automático cómo reconocer patrones, realizar predicciones o ejecutar tareas específicas. Actúan como el libro de texto fundamental para los sistemas de inteligencia artificial, proporcionando la base veraz que el algoritmo analiza para ajustar sus parámetros internos. En el contexto del aprendizaje supervisado, los datos de entrenamiento consisten en muestras de entrada emparejadas con sus etiquetas de salida correspondientes, lo que permite al modelo aprender la relación entre ambas. La calidad, la cantidad y la diversidad de estos datos influyen directamente en la precisión final del modelo y en su capacidad para generalizar ante información nueva y no vista.

Link to this sectionEl papel de los datos de entrenamiento en la IA#

La función principal de los datos de entrenamiento es minimizar el error entre las predicciones del modelo y los resultados reales. Durante el proceso de entrenamiento del modelo, el algoritmo procesa los datos de forma iterativa, identificando características (como bordes en una imagen o palabras clave en una oración) que se correlacionan con etiquetas específicas. Este proceso es distinto de los datos de validación, que se utilizan para ajustar los hiperparámetros durante el entrenamiento, y los datos de prueba, que se reservan para la evaluación final del rendimiento del modelo.

Los datos de entrenamiento de alta calidad deben ser representativos de los escenarios del mundo real con los que se encontrará el modelo. Si el conjunto de datos contiene sesgos o carece de diversidad, el modelo puede sufrir un sobreajuste, en el que memoriza los ejemplos de entrenamiento pero no logra funcionar bien con nuevas entradas. Por el contrario, el subajuste ocurre cuando los datos son demasiado simples o insuficientes para que el modelo capture los patrones subyacentes.

Link to this sectionAplicaciones en el mundo real#

Los datos de entrenamiento impulsan innovaciones en prácticamente todas las industrias al permitir que los sistemas aprendan de ejemplos históricos.

• IA en la asistencia sanitaria: En el diagnóstico médico, los datos de entrenamiento pueden consistir en miles de imágenes de rayos X etiquetadas como "sanas" o que contienen patologías específicas como neumonía. Al procesar estos ejemplos etiquetados, modelos como Ultralytics YOLO26 pueden aprender a ayudar a los radiólogos resaltando posibles anomalías con alta precisión, acelerando significativamente los tiempos de diagnóstico.
• Vehículos autónomos: Los coches autónomos dependen de conjuntos de datos masivos que contienen millones de millas de grabaciones de conducción. Estos datos de entrenamiento incluyen fotogramas anotados que muestran peatones, señales de tráfico, otros vehículos y marcadores de carril. Obtenida de bibliotecas completas como Waymo Open Dataset o nuScenes, esta información enseña al sistema de percepción del vehículo a navegar entornos complejos de forma segura.

Link to this sectionObtención y gestión de datos#

Adquirir datos de entrenamiento robustos es a menudo la parte más desafiante de un proyecto de aprendizaje automático. Los datos pueden provenir de repositorios públicos como Google Dataset Search o colecciones especializadas como COCO para la detección de objetos. Sin embargo, los datos sin procesar a menudo requieren una cuidadosa limpieza de datos y anotación para garantizar la precisión.

Herramientas como Ultralytics Platform han optimizado este flujo de trabajo, ofreciendo un entorno integrado para cargar, etiquetar y gestionar conjuntos de datos. Una gestión eficaz también implica la aumentación de datos, una técnica utilizada para aumentar artificialmente el tamaño del conjunto de entrenamiento aplicando transformaciones (como volteo, rotación o ajuste de color) a las imágenes existentes. Esto ayuda a que los modelos sean más robustos frente a las variaciones en los datos de entrada.

Link to this sectionEjemplo práctico con YOLO26#

El siguiente ejemplo de Python demuestra cómo iniciar el entrenamiento utilizando la librería ultralytics. Aquí, un modelo YOLO26 preentrenado se ajusta con el conjunto de datos COCO8, un pequeño conjunto de datos diseñado para verificar las tuberías de entrenamiento.

from ultralytics import YOLO

# Load a pre-trained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 5 epochs
# The 'data' argument specifies the dataset configuration file
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

Link to this sectionImportancia de la calidad de los datos#

El adagio "entra basura, sale basura" es fundamental para el aprendizaje automático. Incluso las arquitecturas más sofisticadas, como los Transformers o las redes neuronales convolucionales (CNN) profundas, no pueden compensar unos datos de entrenamiento deficientes. Problemas como el ruido en las etiquetas, donde las etiquetas de la base veraz son incorrectas, pueden degradar gravemente el rendimiento. Por lo tanto, unos procesos rigurosos de control de calidad, que a menudo implican una verificación human-in-the-loop, son esenciales para mantener la integridad del conjunto de datos.

Además, cumplir con los principios de Ética de la IA requiere que los datos de entrenamiento sean analizados en busca de sesgos demográficos o socioeconómicos. Garantizar la equidad en la IA comienza con un conjunto de datos de entrenamiento equilibrado y representativo, lo que ayuda a prevenir resultados discriminatorios en las aplicaciones implementadas.