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.

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 y reconoce características (como bordes en una imagen o palabras clave en una frase) que se correlacionan con etiquetas específicas. Este proceso es diferente de los datos de validación, que se emplean para ajustar 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 las situaciones del mundo real con las que se encontrará el modelo. Si el conjunto de datos contiene sesgo o carece de diversidad, es posible que el modelo sufra de sobreajuste, un fenómeno en el que memoriza los ejemplos de entrenamiento pero no logra funcionar correctamente con entradas nuevas. Por el contrario, el subajuste se produce cuando los datos son demasiado simples o insuficientes para que el modelo detecte los patrones subyacentes.

Aplicaciones 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 salud: En el diagnóstico médico, los datos de entrenamiento pueden consistir en miles de radiografías etiquetadas como «sanas» o con patologías específicas como la neumonía. Al procesar estos ejemplos etiquetados, modelos como Ultralytics YOLO26 pueden aprender a ayudar a los radiólogos destacando posibles anomalías con gran precisión, lo que acelera notablemente los tiempos de diagnóstico.
• Vehículos autónomos: Los coches autoconducidos dependen de conjuntos de datos masivos que contienen millones de millas de grabación de conducción. Estos datos de entrenamiento incluyen fotogramas anotados que muestran 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 circular por entornos complejos con seguridad.

Obtención y gestión de datos#

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

Herramientas como Ultralytics Platform han simplificado este flujo de trabajo al ofrecer un entorno integrado para cargar, etiquetar y gestionar conjuntos de datos. Una gestión eficaz también comprende el aumento de datos, una técnica que se utiliza para incrementar de forma artificial el tamaño del conjunto de entrenamiento mediante la aplicación de transformaciones (como volteos, rotaciones o ajustes de color) a las imágenes existentes. Esto ayuda a que los modelos sean más robustos ante las variaciones de los datos de entrada.

Ejemplo práctico con YOLO26#

El siguiente ejemplo en Python muestra cómo iniciar el entrenamiento con la biblioteca ultralytics. Aquí, un modelo YOLO26 preentrenado se ajusta con el conjunto de datos COCO8, un pequeño conjunto de datos diseñado para comprobar 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)

Importancia de la calidad de los datos#

El refrán «entra basura, sale basura» es fundamental en el aprendizaje automático. Ni las arquitecturas más sofisticadas, como los Transformers o las profundas redes neuronales convolucionales (CNN), pueden compensar unos malos datos de entrenamiento. Problemas como el ruido en las etiquetas, donde las etiquetas de verdad sobre el terreno son incorrectas, pueden mermar gravemente el rendimiento. Por consiguiente, unos procesos rigurosos de garantía de calidad, que a menudo implican la verificación humana en el bucle, resultan esenciales para mantener la integridad del conjunto de datos.

Asimismo, cumplir con los principios de la ética de la IA exige revisar los datos de entrenamiento en busca de sesgos demográficos o socioeconómicos. Garantizar la equidad en la IA empieza con un conjunto de datos de entrenamiento equilibrado y representativo, lo que ayuda a prevenir resultados discriminatorios en las aplicaciones implementadas.