Cómo definir los objetivos de tu proyecto de visión por computador#
Para definir un proyecto de visión por computador, redacta un planteamiento del problema que especifique el problema central, el alcance, las partes interesadas y las restricciones; establece objetivos medibles y sujetos a un plazo; y relaciona el problema con la tarea de visión por computador que determina las decisiones sobre el modelo, el conjunto de datos y el despliegue. Esta guía explica cada paso mediante un ejemplo práctico.
Watch: How to define Computer Vision Project's Goal | Problem Statement and VisionAI Tasks Connection 🚀
Para obtener una visión general del flujo de trabajo completo, desde la recopilación de datos hasta el despliegue, consulta nuestra guía sobre los pasos clave de un proyecto de visión por computador.
Cómo redactar un planteamiento del problema de visión por computador#
Un planteamiento del problema claro es el primer gran paso para encontrar la solución más eficaz. Consta de cuatro partes:
- Identifica el problema central: señala el desafío concreto que tu proyecto de visión por computador pretende resolver.
- Determina el alcance: define los límites de tu problema.
- Ten en cuenta a los usuarios finales y las partes interesadas: identifica quién se verá afectado por la solución.
- Analiza los requisitos y las restricciones del proyecto: evalúa los recursos disponibles (tiempo, presupuesto y personal) e identifica cualquier restricción técnica o normativa.
Ejemplo de planteamiento de un problema empresarial#
Imagina un proyecto de visión por computador en el que quieres estimar la velocidad de los vehículos en una autopista. El problema central es que los métodos actuales de control de velocidad son ineficientes y propensos a errores debido a sistemas de radar obsoletos y procesos manuales. El proyecto pretende desarrollar un sistema de visión por computador en tiempo real que pueda sustituir a los sistemas antiguos de estimación de velocidad.
Los usuarios principales son las autoridades de gestión del tráfico y las fuerzas del orden, mientras que las partes interesadas secundarias son los responsables de la planificación de autopistas y la ciudadanía, que se beneficia de unas carreteras más seguras. Entre los requisitos clave se incluyen evaluar el presupuesto, el tiempo y el personal, además de abordar necesidades técnicas como cámaras de alta resolución y procesamiento de datos en tiempo real. Asimismo, deben tenerse en cuenta las restricciones normativas relacionadas con la privacidad y la seguridad de los datos.
Establecer objetivos medibles#
Establecer objetivos medibles es fundamental para el éxito de un proyecto de visión por computador. Los objetivos eficaces siguen los criterios SMART:
| Criterio | Qué significa |
|---|---|
| Específico | Define objetivos claros y detallados. |
| Medible | Asegúrate de que los objetivos sean cuantificables. |
| Alcanzable | Establece metas realistas dentro de tus capacidades. |
| Relevante | Alinea los objetivos con las metas generales de tu proyecto. |
| Limitado en el tiempo | Establece plazos para cada objetivo. |
Para el ejemplo de la estimación de velocidad en autopista, los objetivos SMART podrían ser:
- Lograr al menos un 95 % de precisión en la detección de velocidad en un plazo de seis meses, utilizando un conjunto de datos de 10 000 imágenes de vehículos.
- El sistema debería poder procesar flujos de vídeo en tiempo real a 30 fotogramas por segundo con un retraso mínimo.
Al establecer objetivos específicos y cuantificables, puedes realizar un seguimiento eficaz del progreso, identificar áreas de mejora y asegurarte de que el proyecto siga el rumbo previsto.
Cómo elegir la tarea de visión por computador adecuada#
El planteamiento del problema te ayuda a determinar qué tarea de visión por computador puede resolverlo. Entre las tareas más populares se encuentran la clasificación de imágenes, la detección de objetos y la segmentación de imágenes. Consulta la página de tareas de Ultralytics para obtener una comparación detallada.
Por ejemplo, si tu problema consiste en controlar la velocidad de los vehículos en una autopista, la tarea es la detección de objetos, ejecutada en modo de seguimiento. El seguimiento asigna a cada vehículo detectado un ID persistente a través de los fotogramas del vídeo, algo necesario para calcular la velocidad.
La detección por sí sola no basta en este caso: localiza los vehículos en cada fotograma, pero no mantiene la identidad de cada vehículo entre fotogramas; sin esa identidad, el sistema no puede medir el movimiento a lo largo del tiempo. El modo de seguimiento añade esa identidad. Una vez identificada la tarea de visión por computador adecuada, esta orienta varios aspectos fundamentales del proyecto, como la selección del modelo, la preparación del conjunto de datos y los métodos de entrenamiento del modelo.
¿Qué va primero: el modelo, los datos o el método de entrenamiento?#
El orden de selección del modelo, preparación del conjunto de datos y elección del método de entrenamiento depende de las características específicas de tu proyecto:
| Tu situación | Empieza por | Ejemplo |
|---|---|---|
| Problema y objetivos bien definidos | Selección del modelo | Para un sistema de control del tráfico que estime la velocidad de los vehículos, elige un modelo de detección que se ejecute en modo de seguimiento, recopila y anota vídeos de autopistas y, después, entrena con técnicas de procesamiento de vídeo en tiempo real. |
| Datos únicos o limitados | Preparación del conjunto de datos | Para un sistema de reconocimiento facial con un conjunto de datos pequeño, anota primero los datos; después, selecciona un modelo que funcione bien con datos limitados, como un modelo preentrenado para el aprendizaje por transferencia, y planifica la ampliación de datos para aumentar el conjunto de datos. |
| La experimentación es fundamental (investigación) | Método de entrenamiento | En un proyecto que explore nuevos métodos para detectar defectos de fabricación, experimenta primero con un subconjunto pequeño de datos. Cuando encuentres una técnica prometedora, selecciona un modelo adaptado a esos resultados y prepara un conjunto de datos completo. |
Si empiezas por los datos, la Ultralytics Platform simplifica la organización del conjunto de datos, la anotación y el entrenamiento a medida que evoluciona tu proyecto.
Cómo afectan las opciones de despliegue a tu proyecto#
Las opciones de despliegue del modelo influyen decisivamente en el rendimiento de tu proyecto de visión por computador, así que tenlas en cuenta desde el principio. El entorno de despliegue debe poder gestionar la carga computacional de tu modelo:
| Opción de despliegue | Más adecuada para | Tecnologías de ejemplo |
|---|---|---|
| Dispositivos edge | Smartphones y dispositivos IoT con recursos computacionales limitados; modelos ligeros | LiteRT, ONNX Runtime |
| Servidores en la nube | Modelos complejos con mayores exigencias computacionales; hardware que escala con el proyecto | AWS, Google Cloud, Azure |
| Servidores locales | Necesidades elevadas de privacidad de los datos y seguridad; control total sobre los datos y la infraestructura | Servidores GPU autogestionados |
| Soluciones híbridas | Equilibrio entre rendimiento, coste y latencia; procesamiento en el edge y análisis en la nube | Combinación de runtimes edge y plataformas en la nube |
Cada opción ofrece ventajas y desafíos diferentes, y la elección depende de los requisitos específicos del proyecto, como el rendimiento, el coste y la seguridad.
Conclusión#
Un proyecto de visión por computador exitoso comienza con un planteamiento del problema claro, objetivos SMART medibles y la tarea de visión por computador adecuada; estas decisiones guían todo lo que viene después, desde la selección del modelo hasta el despliegue. Como siguiente paso, aprende a recopilar y anotar datos, o habla sobre tu proyecto con otros desarrolladores en GitHub y en el servidor de Discord de Ultralytics.
Preguntas frecuentes#
Un planteamiento del problema claro especifica el problema central que resuelve tu proyecto, su alcance, los usuarios finales y las partes interesadas, así como tus restricciones de recursos y normativas. Desarrolla esas cuatro partes en orden y, después, valida el planteamiento con las partes interesadas antes de tomar decisiones técnicas. Consulta Cómo redactar un planteamiento del problema de visión por computador para ver el desglose completo y un ejemplo práctico.
Relaciona el resultado que necesita tu problema con la tarea que lo produce: una única etiqueta por imagen apunta a la clasificación de imágenes, las ubicaciones de los objetos apuntan a la detección de objetos, los límites a nivel de píxel apuntan a la segmentación de imágenes y las identidades mantenidas entre los fotogramas del vídeo requieren ese mismo modelo de detección ejecutado en modo de seguimiento. Por ejemplo, controlar la velocidad de los vehículos requiere seguimiento porque la velocidad se calcula a partir del movimiento de cada vehículo a lo largo del tiempo. Consulta la página de tareas de Ultralytics para ver todas las tareas compatibles.
Utiliza los criterios SMART: específico, medible, alcanzable, relevante y limitado en el tiempo. Por ejemplo, «Lograr un 95 % de precisión en la detección de velocidad en un plazo de seis meses utilizando un conjunto de datos de 10 000 imágenes de vehículos». Este enfoque ayuda a realizar un seguimiento del progreso e identifica áreas de mejora. Obtén más información sobre cómo establecer objetivos medibles.
No, los modelos preentrenados no «recuerdan» las clases en el sentido tradicional. Aprenden patrones a partir de conjuntos de datos masivos y, durante el entrenamiento personalizado (ajuste fino), estos patrones se adaptan a tu tarea específica. La capacidad del modelo es limitada y centrarse en información nueva puede sobrescribir parte de lo aprendido anteriormente.
Si quieres utilizar las clases con las que se preentrenó el modelo, un enfoque práctico consiste en utilizar dos modelos: uno conserva el rendimiento original y el otro se ajusta para tu tarea específica. De este modo, puedes combinar las salidas de ambos modelos. Existen otras opciones, como congelar capas, utilizar el modelo preentrenado como extractor de características y crear ramificaciones específicas para cada tarea, pero son soluciones más complejas que requieren más experiencia.
Las opciones de despliegue determinan qué tamaños y formatos de modelo son viables, por lo que condicionan tu proyecto desde el principio. Los dispositivos edge necesitan modelos ligeros servidos mediante formatos y runtimes como LiteRT u ONNX Runtime; los servidores en la nube gestionan modelos complejos en hardware escalable; los servidores locales ofrecen un control total de los datos para proyectos sensibles a la privacidad; y las configuraciones híbridas equilibran ambas opciones. Compáralas en la tabla de opciones de despliegue o consulta la guía de opciones de despliegue de modelos para obtener más información.
Entre las dificultades habituales se incluyen:
- Planteamientos del problema vagos o demasiado amplios.
- Objetivos poco realistas.
- Falta de alineación entre las partes interesadas.
- Comprensión insuficiente de las restricciones técnicas.
- Subestimación de los requisitos de datos.
Aborda estas dificultades mediante una investigación inicial exhaustiva, una comunicación clara con las partes interesadas y un perfeccionamiento iterativo del planteamiento del problema y los objetivos. Para consultar el flujo de trabajo completo del proyecto, consulta los pasos clave de un proyecto de visión por computador.