Estrategias de recopilación y anotación de datos para la visión artificial

Introducción

La clave del éxito en cualquier proyecto de visión por ordenador empieza por unas estrategias eficaces de recogida y anotación de datos. La calidad de los datos repercute directamente en el rendimiento del modelo, por lo que es importante comprender las mejores prácticas relacionadas con la recogida y anotación de datos.

Todas las consideraciones relativas a los datos deben estar estrechamente alineadas con los objetivos de tu proyecto. Los cambios en tus estrategias de anotación podrían cambiar el enfoque o la eficacia del proyecto, y viceversa. Teniendo esto en cuenta, veamos más de cerca las mejores formas de enfocar la recogida y anotación de datos.

Configuración de clases y recopilación de datos

La recopilación de imágenes y vídeo para un proyecto de visión artificial implica definir el número de clases, obtener datos y considerar las implicaciones éticas. Antes de comenzar a recopilar sus datos, debe tener claro lo siguiente:

Elegir las clases adecuadas para tu proyecto

Una de las primeras preguntas a la hora de iniciar un proyecto de visión artificial es cuántas clases incluir. Debe determinar la pertenencia a la clase, que implica las diferentes categorías o etiquetas que desea que el modelo reconozca y diferencie. El número de clases debe estar determinado por los objetivos específicos de su proyecto.

Por ejemplo, si desea monitorear el tráfico, sus clases podrían incluir "automóvil", "camión", "autobús", "motocicleta" y "bicicleta". Por otro lado, para hacer un seguimiento de los artículos en una tienda, sus clases podrían ser "frutas", "verduras", "bebidas" y "bocadillos". La definición de clases en función de los objetivos del proyecto ayuda a mantener el conjunto de datos relevante y centrado.

Al definir las clases, otra distinción importante que se debe hacer es si se deben elegir recuentos de clases gruesos o finos. "Recuento" se refiere al número de clases distintas que le interesan. Esta decisión influye en la granularidad de los datos y en la complejidad del modelo. Estas son las consideraciones para cada enfoque:

• Categorías generales: Son categorías más amplias e inclusivas, como "vehículo" y "no vehículo". Simplifican la anotación y requieren menos recursos informáticos, pero proporcionan información menos detallada, lo que puede limitar la eficacia del modelo en escenarios complejos.
• Categorías finas: Más categorías con distinciones más finas, como "sedán", "todoterreno", "camioneta" y "motocicleta". Captan información más detallada, mejorando la precisión y el rendimiento del modelo. Sin embargo, su anotación requiere más tiempo y trabajo, así como más recursos informáticos.

Algo a tener en cuenta es que comenzar con clases más específicas puede ser muy útil, especialmente en proyectos complejos donde los detalles son importantes. Las clases más específicas le permiten recopilar datos más detallados y obtener información más profunda y distinciones más claras entre categorías. No solo mejora la precisión del modelo, sino que también facilita el ajuste posterior del modelo si es necesario, ahorrando tiempo y recursos.

Fuentes de datos

Puedes utilizar conjuntos de datos públicos o recopilar tus propios datos personalizados. Los conjuntos de datos públicos como los de Kaggle y Google Dataset Search Engine ofrecen datos bien anotados y estandarizados, lo que los convierte en excelentes puntos de partida para entrenar y validar modelos.

La recopilación de datos personalizada, por otro lado, le permite personalizar su conjunto de datos según sus necesidades específicas. Puede capturar imágenes y vídeos con cámaras o drones, buscar imágenes en la web o utilizar datos internos existentes de su organización. Los datos personalizados le dan más control sobre su calidad y relevancia. La combinación de fuentes de datos públicas y personalizadas ayuda a crear un conjunto de datos diverso y completo.

Evitar el sesgo en la recopilación de datos

El sesgo se produce cuando determinados grupos o escenarios están infrarrepresentados o sobrerrepresentados en el conjunto de datos. Conduce a un modelo que funciona bien en algunos datos, pero mal en otros. Es crucial evitar el sesgo para que el modelo de visión artificial pueda funcionar bien en una variedad de escenarios.

A continuación, le indicamos cómo puede evitar el sesgo al recopilar datos:

• Fuentes diversas: Recoge datos de muchas fuentes para captar diferentes perspectivas y escenarios.
• Representación equilibrada: Incluye una representación equilibrada de todos los grupos relevantes. Por ejemplo, considera diferentes edades, géneros y etnias.
• Supervisión continua: Revisa y actualiza periódicamente tu conjunto de datos para identificar y abordar cualquier sesgo emergente.
• Técnicas de mitigación de sesgos: Utiliza métodos como el sobremuestreo de clases infrarrepresentadas, el aumento de datos y algoritmos que tengan en cuenta la imparcialidad.

Seguir estas prácticas ayuda a crear un modelo más sólido y justo que puede generalizarse bien en aplicaciones del mundo real.

¿Qué es la anotación de datos?

La anotación de datos es el proceso de etiquetar datos para que se puedan usar para entrenar modelos de aprendizaje automático. En la visión artificial, esto significa etiquetar imágenes o vídeos con la información de la que un modelo necesita aprender. Sin datos correctamente anotados, los modelos no pueden aprender con precisión las relaciones entre las entradas y las salidas.

Tipos de anotación de datos

En función de los requisitos específicos de una tarea de visión artificial, existen distintos tipos de anotación de datos. He aquí algunos ejemplos:

• Cuadros delimitadores: Cajas rectangulares dibujadas alrededor de los objetos de una imagen, utilizadas principalmente para tareas de detección de objetos. Estas cajas se definen por sus coordenadas superior izquierda e inferior derecha.
• Polígonos: Contornos detallados de los objetos, que permiten una anotación más precisa que los cuadros delimitadores. Los polígonos se utilizan en tareas como la segmentación de instancias, donde la forma del objeto es importante.
• Máscaras: Máscaras binarias en las que cada píxel forma parte de un objeto o del fondo. Las máscaras se utilizan en tareas de segmentación semántica para proporcionar detalles a nivel de píxel.
• Puntos clave: Puntos específicos marcados dentro de una imagen para identificar lugares de interés. Los puntos clave se utilizan en tareas como la estimación de la pose y la detección de puntos de referencia faciales.

Formatos de anotación comunes

Después de seleccionar un tipo de anotación, es importante elegir el formato adecuado para almacenar y compartir anotaciones.

Entre los formatos más utilizados está el COCO, que admite varios tipos de anotación, como detección de objetos, detección de puntos clave, segmentación de cosas, segmentación panóptica y subtítulos de imágenes, almacenados en JSON. Pascal VOC utiliza archivos XML y es popular para tareas de detección de objetos. YOLO, por otra parte, crea un archivo .txt para cada imagen, que contiene anotaciones como clase de objeto, coordenadas, altura y anchura, lo que lo hace adecuado para la detección de objetos.

Técnicas de anotación

Ahora, suponiendo que haya elegido un tipo de anotación y formato, es hora de establecer reglas de etiquetado claras y objetivas. Estas reglas son como una hoja de ruta para la coherencia y la precisión a lo largo del proceso de anotación. Los aspectos clave de estas reglas incluyen:

• Claridad y detalle: Asegúrate de que tus instrucciones son claras. Utiliza ejemplos e ilustraciones para comprender lo que se espera de ti.
• Coherencia: Mantén la uniformidad de tus anotaciones. Establece criterios estándar para anotar distintos tipos de datos, de modo que todas las anotaciones sigan las mismas reglas.
• Reducir los prejuicios: Mantente neutral. Entrénate para ser objetivo y minimizar los prejuicios personales para garantizar anotaciones justas.
• Eficacia: Trabaja de forma más inteligente, no más dura. Utiliza herramientas y flujos de trabajo que automaticen las tareas repetitivas, haciendo que el proceso de anotación sea más rápido y eficaz.

Revisar y actualizar regularmente las reglas de etiquetado ayudará a mantener las anotaciones precisas, coherentes y alineadas con los objetivos del proyecto.

Herramientas de anotación populares

Digamos que está listo para anotar ahora. Hay varias herramientas de código abierto disponibles para ayudar a agilizar el proceso de anotación de datos. Estas son algunas herramientas útiles de anotación abierta:

• Estudio de etiquetas: Una herramienta flexible que admite una amplia gama de tareas de anotación e incluye funciones de gestión de proyectos y control de calidad.
• CVAT: Una potente herramienta que admite varios formatos de anotación y flujos de trabajo personalizables, lo que la hace adecuada para proyectos complejos.
• Etiquétame: Una herramienta sencilla y fácil de usar que permite anotar rápidamente imágenes con polígonos, por lo que es ideal para tareas sencillas.

Estas herramientas de código abierto son económicas y ofrecen una serie de funciones para satisfacer las diferentes necesidades de anotación.

Algunas cosas más a tener en cuenta antes de anotar datos

Antes de sumergirse en la anotación de sus datos, hay algunas cosas más que debe tener en cuenta. Debe tener en cuenta la exactitud, la precisión, los valores atípicos y el control de calidad para evitar etiquetar los datos de forma contraproducente.

Comprensión de la exactitud y la precisión

Es importante comprender la diferencia entre exactitud y precisión y cómo se relaciona con la anotación. La precisión se refiere a la proximidad de los datos anotados a los valores reales. Nos ayuda a medir qué tan cerca reflejan las etiquetas los escenarios del mundo real. La precisión indica la coherencia de las anotaciones. Comprueba si está dando la misma etiqueta al mismo objeto o entidad en todo el conjunto de datos. La alta exactitud y precisión conducen a modelos mejor entrenados al reducir el ruido y mejorar la capacidad del modelo para generalizar a partir de los datos de entrenamiento.

Identificación de valores atípicos

Los valores atípicos son puntos de datos que se desvían bastante de otras observaciones del conjunto de datos. Con respecto a las anotaciones, un valor atípico podría ser una imagen etiquetada incorrectamente o una anotación que no encaja con el resto del conjunto de datos. Los valores atípicos son preocupantes porque pueden distorsionar el proceso de aprendizaje del modelo, lo que lleva a predicciones inexactas y a una generalización deficiente.

Puede utilizar varios métodos para detectar y corregir valores atípicos:

• Técnicas estadísticas: Para detectar valores atípicos en características numéricas como valores de píxeles, coordenadas de cajas delimitadoras o tamaños de objetos, puedes utilizar métodos como gráficos de caja, histogramas o puntuaciones z.
• Técnicas visuales: Para detectar anomalías en características categóricas como clases de objetos, colores o formas, utiliza métodos visuales como el trazado de imágenes, etiquetas o mapas de calor.
• Métodos algorítmicos: Utiliza herramientas como la agrupación (por ejemplo, agrupación de K-means, DBSCAN) y algoritmos de detección de anomalías para identificar valores atípicos basados en patrones de distribución de datos.

Control de calidad de los datos anotados

Al igual que otros proyectos técnicos, el control de calidad es imprescindible para los datos anotados. Es una buena práctica revisar regularmente las anotaciones para asegurarse de que sean precisas y consistentes. Esto se puede hacer de diferentes maneras:

• Revisión de muestras de datos anotados
• Uso de herramientas automatizadas para detectar errores comunes
• Hacer que otra persona vuelva a revisar las anotaciones

Si está trabajando con varias personas, la coherencia entre los diferentes anotadores es importante. Un buen acuerdo entre anotadores significa que las pautas son claras y que todos las siguen de la misma manera. Mantiene a todos en la misma página y las anotaciones consistentes.

Mientras revisa, si encuentra errores, corríjalos y actualice las pautas para evitar errores futuros. Proporcione comentarios a los anotadores y ofrezca capacitación periódica para ayudar a reducir los errores. Tener un proceso sólido para manejar errores mantiene su conjunto de datos preciso y confiable.

Comparte tus pensamientos con la comunidad

Intercambiar sus ideas y consultas con otros entusiastas de la visión artificial puede ayudar a acelerar sus proyectos. Estas son algunas formas excelentes de aprender, solucionar problemas y establecer contactos:

Dónde encontrar ayuda y apoyo

• Cuestiones de GitHub: Visita el repositorio GitHub de YOLOv8 y utiliza la pestaña Cuestiones para plantear preguntas, informar de errores y sugerir funciones. La comunidad y los mantenedores están ahí para ayudarte con cualquier problema que te surja.
• Ultralytics Servidor Discord: Únete al servidor Discord deUltralytics para conectar con otros usuarios y desarrolladores, obtener ayuda, compartir conocimientos y aportar ideas.

Documentación oficial

• Ultralytics YOLOv8 Documentación: Consulta la documentación oficial de YOLOv8 para obtener guías completas y valiosos conocimientos sobre numerosas tareas y proyectos de visión por ordenador.

Conclusión

Si sigue las prácticas recomendadas para recopilar y anotar datos, evitar sesgos y usar las herramientas y técnicas adecuadas, puede mejorar significativamente el rendimiento del modelo. Interactuar con la comunidad y utilizar los recursos disponibles lo mantendrá informado y lo ayudará a solucionar problemas de manera efectiva. Recuerde que los datos de calidad son la base de un proyecto exitoso, y las estrategias adecuadas le ayudarán a crear modelos sólidos y fiables.

PREGUNTAS FRECUENTES

¿Cuál es la mejor manera de evitar el sesgo en la recogida de datos para proyectos de visión por ordenador?

Evitar el sesgo en la recogida de datos garantiza que tu modelo de visión computerizada funcione bien en diversos escenarios. Para minimizar el sesgo, considera la posibilidad de recopilar datos de diversas fuentes para captar diferentes perspectivas y escenarios. Garantiza una representación equilibrada entre todos los grupos relevantes, como las diferentes edades, géneros y etnias. Revisa y actualiza periódicamente tu conjunto de datos para identificar y abordar cualquier sesgo emergente. Técnicas como el sobremuestreo de clases infrarrepresentadas, el aumento de datos y los algoritmos que tienen en cuenta la imparcialidad también pueden ayudar a mitigar el sesgo. Al emplear estas estrategias, mantienes un conjunto de datos sólido y justo que mejora la capacidad de generalización de tu modelo.

¿Cómo puedo garantizar una gran coherencia y precisión en la anotación de datos?

Garantizar una gran coherencia y precisión en la anotación de datos implica establecer unas directrices de etiquetado claras y objetivas. Tus instrucciones deben ser detalladas, con ejemplos e ilustraciones para aclarar las expectativas. La coherencia se consigue estableciendo criterios estándar para anotar diversos tipos de datos, asegurando que todas las anotaciones sigan las mismas reglas. Para reducir los prejuicios personales, forma a los anotadores para que se mantengan neutrales y objetivos. Las revisiones y actualizaciones periódicas de las reglas de etiquetado ayudan a mantener la precisión y la alineación con los objetivos del proyecto. Utilizar herramientas automatizadas para comprobar la coherencia y recibir comentarios de otros anotadores también contribuye a mantener anotaciones de alta calidad.

¿Cuántas imágenes necesito para entrenar los modelos de Ultralytics YOLO ?

Para un aprendizaje por transferencia y una detección de objetos eficaces con los modelos Ultralytics YOLO , empieza con un mínimo de unos cientos de objetos anotados por clase. Si entrenas para una sola clase, empieza con al menos 100 imágenes anotadas y entrena durante aproximadamente 100 épocas. Las tareas más complejas pueden requerir miles de imágenes por clase para lograr una alta fiabilidad y rendimiento. Las anotaciones de calidad son cruciales, así que asegúrate de que tus procesos de recogida de datos y anotación son rigurosos y están alineados con los objetivos específicos de tu proyecto. Explora estrategias de entrenamiento detalladas en la guía de entrenamientoYOLOv8 .

¿Cuáles son algunas herramientas populares para la anotación de datos?

Varias herramientas populares de código abierto pueden agilizar el proceso de anotación de datos:

• Estudio de etiquetas: Una herramienta flexible que admite diversas tareas de anotación, gestión de proyectos y funciones de control de calidad.
• CVAT: Ofrece múltiples formatos de anotación y flujos de trabajo personalizables, por lo que es adecuado para proyectos complejos.
• Etiquetarme: Ideal para la anotación rápida y sencilla de imágenes con polígonos.

Estas herramientas pueden ayudarte a mejorar la eficacia y precisión de tus flujos de trabajo de anotación. Para obtener una amplia lista de funciones y guías, consulta nuestra documentación sobre herramientas de anotación de datos.

¿Qué tipos de anotación de datos se utilizan habitualmente en visión por ordenador?

Los distintos tipos de anotación de datos se adaptan a diversas tareas de visión por ordenador:

• Cajas delimitadoras: Utilizadas principalmente para la detección de objetos, son cajas rectangulares alrededor de los objetos de una imagen.
• Polígonos: Proporcionan contornos de objetos más precisos, adecuados para tareas de segmentación de instancias.
• Máscaras: Ofrecen detalles a nivel de píxel, utilizados en la segmentación semántica para diferenciar los objetos del fondo.
• Puntos clave: Identifican puntos de interés específicos dentro de una imagen, útiles para tareas como la estimación de la pose y la detección de puntos de referencia faciales.

Seleccionar el tipo de anotación adecuado depende de los requisitos de tu proyecto. Obtén más información sobre cómo implementar estas anotaciones y sus formatos en nuestra guía de anotación de datos.

Comentarios