Training Data

Los datos de entrenamiento son el conjunto de datos inicial que se utiliza para enseñar a un modelo de aprendizaje automático a reconocer patrones, realizar predicciones o llevar a cabo tareas específicas. Actúan como el libro de texto fundamental de los sistemas de inteligencia artificial y proporcionan la verdad de referencia que el algoritmo analiza para ajustar sus parámetros internos. En el contexto del aprendizaje supervisado, los datos de entrenamiento constan de muestras de entrada emparejadas con las 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 a información nueva que no haya visto.

El 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 e identifica características —como los bordes de una imagen o las palabras clave de una frase— que se correlacionan con etiquetas específicas. Este proceso se diferencia de los datos de validación, que se utilizan para ajustar los hiperparámetros durante el entrenamiento, y de 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 a los que se enfrentará el modelo. Si el conjunto de datos contiene sesgos o carece de diversidad, el modelo puede sufrir sobreajuste, memorizando los ejemplos de entrenamiento, pero sin rendir bien con entradas nuevas. Por el contrario, el subajuste se produce cuando los datos son demasiado simples o insuficientes para que el modelo capte los patrones subyacentes.

Aplicaciones en el mundo real#

Los datos de entrenamiento impulsan la innovación en prácticamente todos los sectores al permitir que los sistemas aprendan de ejemplos históricos.

• IA en la atención sanitaria: En el diagnóstico médico, los datos de entrenamiento pueden constar de miles de imágenes de rayos X etiquetadas como «sanas» o como portadoras de patologías específicas, como la neumonía. Al procesar estos ejemplos etiquetados, modelos como Ultralytics YOLO26 pueden aprender a ayudar a los radiólogos a detectar posibles anomalías con gran precisión, lo que acelera considerablemente los tiempos de diagnóstico.
• Vehículos autónomos: Los vehículos autónomos dependen de enormes conjuntos de datos que contienen millones de kilómetros de grabaciones de conducción. Estos datos de entrenamiento incluyen fotogramas anotados en los que aparecen peatones, señales de tráfico, otros vehículos y marcas viales. Obtenida de bibliotecas completas como el Waymo Open Dataset o nuScenes, esta información enseña al sistema de percepción del vehículo a desplazarse de forma segura por entornos complejos.

Obtención y gestión de datos#

Adquirir datos de entrenamiento sólidos suele ser la parte más complicada de un proyecto de aprendizaje automático. Los datos pueden obtenerse de repositorios públicos, como Google Dataset Search, o de colecciones especializadas, como COCO para la detección de objetos. Sin embargo, los datos sin procesar suelen requerir una cuidadosa limpieza de datos y anotación para garantizar su precisión.

Herramientas como la Ultralytics Platform han agilizado este flujo de trabajo al ofrecer un entorno integrado para cargar, etiquetar y gestionar conjuntos de datos. Una gestión eficaz también implica el aumento de datos, una técnica que se utiliza para incrementar artificialmente el tamaño del conjunto de entrenamiento mediante la aplicación de transformaciones —como voltear, rotar o ajustar el color— a imágenes existentes. Esto ayuda a que los modelos sean más robustos frente a las variaciones de los datos de entrada.

Ejemplo práctico con Ultralytics YOLO26#

El siguiente ejemplo de Python muestra cómo iniciar el entrenamiento utilizando la biblioteca ultralytics. En este caso, un modelo YOLO26 preentrenado se ajusta con el conjunto de datos COCO8, un conjunto de datos pequeño diseñado para verificar los flujos de trabajo 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)

Importancia de la calidad de los datos#

El dicho «si entra basura, sale basura» es fundamental en el aprendizaje automático. Ni siquiera las arquitecturas más sofisticadas, como los Transformers o las redes neuronales convolucionales profundas (CNNs), pueden compensar unos datos de entrenamiento deficientes. Problemas como el ruido en las etiquetas, que se produce cuando las etiquetas de verdad de referencia son incorrectas, pueden degradar gravemente el rendimiento. Por tanto, unos rigurosos procesos de garantía de calidad, que a menudo incluyen la verificación con intervención humana, son esenciales para mantener la integridad del conjunto de datos.

Además, respetar los principios de la ética de la IA requiere examinar los datos de entrenamiento para detectar sesgos demográficos o socioeconómicos. Garantizar la equidad en la IA comienza con un conjunto de datos de entrenamiento equilibrado y representativo, que ayuda a prevenir resultados discriminatorios en las aplicaciones desplegadas.