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.

Avoiding Bias in Data Collection

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.
• Bias Mitigation Techniques: Use methods like oversampling underrepresented classes, data augmentation, and fairness-aware algorithms.

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?

Data annotation is the process of labeling data to make it usable for training machine learning models. In computer vision, this means labeling images or videos with the information that a model needs to learn from. Without properly annotated data, models cannot accurately learn the relationships between inputs and outputs.

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.
• Polygons: Detailed outlines for objects, allowing for more precise annotation than bounding boxes. Polygons are used in tasks like instance segmentation, where the shape of the object is important.
• 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.

Commonly used formats include COCO, which supports various annotation types like object detection, keypoint detection, stuff segmentation, panoptic segmentation, and image captioning, stored in JSON. Pascal VOC uses XML files and is popular for object detection tasks. YOLO, on the other hand, creates a .txt file for each image, containing annotations like object class, coordinates, height, and width, making it suitable for object detection.

Técnicas de anotación

Now, assuming you've chosen a type of annotation and format, it's time to establish clear and objective labeling rules. These rules are like a roadmap for consistency and accuracy throughout the annotation process. Key aspects of these rules include:

• 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

Before you dive into annotating your data, there are a few more things to keep in mind. You should be aware of accuracy, precision, outliers, and quality control to avoid labeling your data in a counterproductive manner.

Comprensión de la exactitud y la precisión

It's important to understand the difference between accuracy and precision and how it relates to annotation. Accuracy refers to how close the annotated data is to the true values. It helps us measure how closely the labels reflect real-world scenarios. Precision indicates the consistency of annotations. It checks if you are giving the same label to the same object or feature throughout the dataset. High accuracy and precision lead to better-trained models by reducing noise and improving the model's ability to generalize from the training data.

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:

• Statistical Techniques: To detect outliers in numerical features like pixel values, bounding box coordinates, or object sizes, you can use methods such as box plots, histograms, or z-scores.
• 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.
• Algorithmic Methods: Use tools like clustering (e.g., K-means clustering, DBSCAN) and anomaly detection algorithms to identify outliers based on data distribution patterns.

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

Bouncing your ideas and queries off other computer vision enthusiasts can help accelerate your projects. Here are some great ways to learn, troubleshoot, and network:

Dónde encontrar ayuda y apoyo

• GitHub Issues: Visit the YOLO11 GitHub repository and use the Issues tab to raise questions, report bugs, and suggest features. The community and maintainers are there to help with any issues you face.
• 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 YOLO11 Documentation: Refer to the official YOLO11 documentation for thorough guides and valuable insights on numerous computer vision tasks and projects.

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 ?

For effective transfer learning and object detection with Ultralytics YOLO models, start with a minimum of a few hundred annotated objects per class. If training for just one class, begin with at least 100 annotated images and train for approximately 100 epochs. More complex tasks might require thousands of images per class to achieve high reliability and performance. Quality annotations are crucial, so ensure your data collection and annotation processes are rigorous and aligned with your project's specific goals. Explore detailed training strategies in the YOLO11 training guide.

¿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.
• Masks: Offer pixel-level detail, used in semantic segmentation to differentiate objects from the background.
• 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.

📅 Created 4 months ago ✏️ Updated 12 days ago

Comentarios