Cómo definir los objetivos de tu proyecto de visión artificial#
Para definir un proyecto de visión artificial, escribe un planteamiento del problema que nombre el asunto principal, el alcance, las partes interesadas y las restricciones; establece objetivos medibles y con plazos determinados; y asigna el problema a la tarea de visión artificial que determine tus decisiones de modelo, conjunto de datos y despliegue. Esta guía recorre cada paso con 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 en un proyecto de visión artificial.
Cómo redactar un planteamiento del problema de visión artificial#
Un planteamiento del problema claro es el primer gran paso hacia la búsqueda de la solución más eficaz. Consta de cuatro partes:
- Identifica el problema central: Señala el desafío específico que tu proyecto de visión artificial pretende resolver.
- Determina el alcance: Define los límites de tu problema.
- Considera a los usuarios finales y a 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, personal) e identifica cualquier restricción técnica o normativa.
Ejemplo de un enunciado del problema empresarial#
Considera un proyecto de visión artificial en el que quieras estimar la velocidad de los vehículos en una autopista. El problema principal 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 tiene como objetivo desarrollar un sistema de visión artificial en tiempo real que pueda reemplazar a los sistemas heredados de estimación de velocidad.
Los usuarios principales incluyen a las autoridades de gestión de tráfico y las fuerzas de seguridad, mientras que los interesados secundarios son los planificadores de carreteras y el público que se beneficia de unas vías más seguras. Los requisitos clave implican evaluar el presupuesto, el tiempo y el personal, así como abordar necesidades técnicas como cámaras de alta resolución y procesamiento de datos en tiempo real. Además, se deben tener en cuenta las restricciones normativas sobre privacidad y seguridad de datos.
Establecer objetivos medibles#
Establecer objetivos medibles es clave para el éxito de un proyecto de visión artificial. Los objetivos eficaces siguen los criterios SMART:
| Criterio | Qué significa |
|---|---|
| Específico | Define metas claras y detalladas. |
| Medible | Asegúrate de que los objetivos sean cuantificables. |
| Alcanzable | Establece objetivos realistas dentro de tus capacidades. |
| Relevante | Alinea los objetivos con tus metas generales del proyecto. |
| Con plazos determinados | Establece fechas límite para cada objetivo. |
Para el ejemplo de estimación de velocidad en autopistas, los objetivos SMART podrían ser:
- Alcanzar 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 debe ser capaz de procesar transmisiones 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 garantizar que el proyecto se mantenga en el camino correcto.
Cómo elegir la tarea de visión artificial adecuada#
La declaración del problema te ayuda a conceptualizar qué tarea de visión artificial puede resolver tu problema. Las tareas más populares incluyen la clasificación de imágenes, la detección de objetos y la segmentación de imágenes; consulta la página de tareas de Ultralytics para ver una comparación detallada.
Por ejemplo, si tu problema es monitorizar la velocidad de los vehículos en una autopista, la tarea es object detection, ejecutada en track mode. El seguimiento otorga a cada vehículo detectado un ID persistente a lo largo de los fotogramas del vídeo, que es lo que requiere el cálculo de la velocidad.
La detección por sí sola no es suficiente aquí: localiza vehículos en cada fotograma pero no mantiene la identidad de cada vehículo entre fotogramas, y sin esa identidad el sistema no puede medir el movimiento a lo largo del tiempo. El modo de seguimiento añade dicha identidad. Una vez que hayas identificado la tarea de visión artificial adecuada, esta guiará varios aspectos críticos de tu proyecto, como la selección del modelo, la preparación del conjunto de datos y los enfoques de entrenamiento del modelo.
¿Qué va primero: modelo, datos o enfoque de entrenamiento?#
El orden de la selección del modelo, la preparación del conjunto de datos y el enfoque de entrenamiento depende de los detalles de tu proyecto:
| Tu situación | Empieza con | Ejemplo |
|---|---|---|
| Problema y objetivos bien definidos | Selección del modelo | Para un sistema de monitorización de tráfico que estima velocidades de vehículos, elige un modelo de detección para ejecutarlo en modo de seguimiento, recopila y anota vídeos de autopistas, y luego entrena con técnicas para el 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 los datos primero y luego selecciona un modelo que funcione bien con datos limitados —como un modelo preentrenado para el aprendizaje por transferencia— y planifica la aumento de datos para ampliar el conjunto de datos. |
| La experimentación es crucial (investigación) | Enfoque de entrenamiento | En un proyecto que explore nuevos métodos para detectar defectos de fabricación, experimenta primero con un subconjunto de datos pequeño. Una vez que encuentres una técnica prometedora, selecciona un modelo adaptado a esos hallazgos y prepara un conjunto de datos exhaustivo. |
Si empiezas por los datos, la Ultralytics Platform simplifica la organización, anotación y entrenamiento del conjunto de datos a medida que tu proyecto evoluciona.
Cómo afectan las opciones de despliegue a tu proyecto#
Las opciones de despliegue del modelo impactan de forma crítica en el rendimiento de tu proyecto de visión artificial, así que tenlas en cuenta desde el principio. El entorno de despliegue debe soportar la carga computacional de tu modelo:
| Opción de despliegue | Ideal para | Ejemplos de tecnologías |
|---|---|---|
| Dispositivos de borde (Edge) | Smartphones y dispositivos IoT con recursos computacionales limitados; modelos ligeros | LiteRT, ONNX Runtime |
| Servidores en la nube | Modelos complejos con mayores demandas computacionales; hardware que escala con el proyecto | AWS, Google Cloud, Azure |
| Servidores locales (On-premise) | Altas necesidades de privacidad de datos y seguridad; control total sobre los datos y la infraestructura | Servidores GPU autogestionados |
| Soluciones híbridas | Equilibrar el rendimiento con el coste y la latencia; procesamiento en el borde más análisis en la nube | Combinación de tiempos de ejecución en el borde y plataformas en la nube |
Cada opción ofrece diferentes beneficios y desafíos, y la elección depende de los requisitos específicos del proyecto, como el rendimiento, el coste y la seguridad.
Conclusión#
Un proyecto de visión artificial exitoso comienza con una declaración de problema clara, objetivos SMART medibles y la tarea de visión artificial adecuada para el trabajo; estas decisiones guían todo lo que sigue, desde la selección del modelo hasta el despliegue. Como siguiente paso, aprende a recopilar y anotar datos, o debate sobre tu proyecto con otros desarrolladores en GitHub y el servidor de Discord de Ultralytics.
FAQ#
Una declaración de problema clara nombra el problema central que resuelve tu proyecto, su alcance, los usuarios finales y las partes interesadas, así como tus restricciones de recursos y normativas. Recorre esas cuatro partes en orden y luego valida la declaración con las partes interesadas antes de tomar decisiones técnicas. Consulta Cómo escribir una declaración de problema de visión artificial para ver el desglose completo y un ejemplo práctico.
Haz coincidir la salida que necesita tu problema con la tarea que la produce: una única etiqueta por imagen apunta a image classification, las ubicaciones de objetos apuntan a object detection, los límites a nivel de píxel apuntan a image segmentation, y las identidades mantenidas a lo largo de los fotogramas de vídeo requieren ese mismo modelo de detección ejecutado en track mode. Monitorizar la velocidad de los vehículos, por ejemplo, requiere seguimiento porque la velocidad se calcula a partir del movimiento de cada vehículo a lo largo del tiempo. Consulta la Ultralytics tasks page para ver todas las tareas compatibles.
Utiliza los criterios SMART: Específicos, Medibles, Alcanzables, Relevantes y Temporales. Por ejemplo, «Alcanzar 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. Lee más sobre cómo establecer objetivos medibles.
No, los modelos preentrenados no "recuerdan" las clases en el sentido tradicional. Aprenden patrones de conjuntos de datos masivos y, durante el entrenamiento personalizado (ajuste fino), estos patrones se ajustan a tu tarea específica. La capacidad del modelo es limitada, y centrarse en nueva información puede sobrescribir algunos aprendizajes previos.
Si quieres utilizar las clases con las que se preentrenó el modelo, un enfoque práctico es utilizar dos modelos: uno mantiene el rendimiento original y el otro se ajusta para tu tarea específica. De esta manera, puedes combinar las salidas de ambos modelos. Existen otras opciones como congelar capas, utilizar el modelo preentrenado como extractor de características y bifurcación específica de la tarea, pero son soluciones más complejas y requieren más experiencia.
Las opciones de despliegue determinan qué tamaños y formatos de modelo son viables, por lo que dan forma a tu proyecto desde el principio. Los dispositivos de borde necesitan modelos ligeros servidos a través de formatos y entornos de ejecución como LiteRT o 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 detalles.
Los desafíos comunes incluyen:
- Enunciados del problema vagos o demasiado amplios.
- Objetivos poco realistas.
- Falta de alineación con las partes interesadas.
- Comprensión insuficiente de las restricciones técnicas.
- Subestimar los requisitos de datos.
Aborda estos desafíos mediante una investigación inicial exhaustiva, una comunicación clara con las partes interesadas y el refinamiento iterativo de la declaración del problema y de los objetivos. Para ver el flujo de trabajo completo del proyecto, consulta los pasos clave en un proyecto de visión artificial.