Guía práctica para definir tu proyecto de visión artificial

Introducción

El primer paso en cualquier proyecto de visión por ordenador es definir lo que quieres conseguir. Es crucial tener una hoja de ruta clara desde el principio, que incluya todo, desde la recogida de datos hasta el despliegue de tu modelo.

If you need a quick refresher on the basics of a computer vision project, take a moment to read our guide on the key steps in a computer vision project. It'll give you a solid overview of the whole process. Once you're caught up, come back here to dive into how exactly you can define and refine the goals for your project.

Now, let's get to the heart of defining a clear problem statement for your project and exploring the key decisions you'll need to make along the way.

Definir un planteamiento claro del problema

Setting clear goals and objectives for your project is the first big step toward finding the most effective solutions. Let's understand how you can clearly define your project's problem statement:

• Identifica el problema central: Señala el reto específico que tu proyecto de visión artificial pretende resolver.
• Determina el Alcance: Define los límites de tu problema.
• Ten en cuenta a los usuarios finales y a las partes interesadas: Identifica a quién afectará la solución.
• Analiza los requisitos y limitaciones del proyecto: Evalúa los recursos disponibles (tiempo, presupuesto, personal) e identifica cualquier limitación técnica o normativa.

Ejemplo de planteamiento de un problema empresarial

Let's walk through an example.

Considera un proyecto de visión por ordenador en el que quieras estimar la velocidad de los vehículos en una autopista. El problema principal es que los métodos actuales de control de la velocidad son ineficaces y propensos a errores debido a los anticuados sistemas de radar y a los procesos manuales. El proyecto pretende desarrollar un sistema de visión por ordenador en tiempo real que pueda sustituir a los antiguos sistemas de estimación de la velocidad.

Los usuarios primarios son las autoridades de gestión del tráfico y las fuerzas del orden, mientras que los secundarios son los planificadores de autopistas y el público que se beneficia de unas carreteras más seguras. Los requisitos clave implican evaluar el presupuesto, el tiempo y el personal, así como abordar necesidades técnicas como las cámaras de alta resolución y el procesamiento de datos en tiempo real. Además, hay que tener en cuenta las restricciones normativas sobre privacidad y seguridad de los datos.

Establecer objetivos mensurables

Establecer objetivos mensurables es clave para el éxito de un proyecto de visión artificial. Estos objetivos deben ser claros, alcanzables y con un plazo determinado.

Por ejemplo, si estás desarrollando un sistema para estimar la velocidad de los vehículos en una autopista. Podrías considerar los siguientes objetivos medibles:

• Alcanzar al menos un 95% de precisión en la detección de la 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 secuencias de vídeo en tiempo real a 30 fotogramas por segundo con un retardo mínimo.

Al establecer objetivos específicos y cuantificables, puedes hacer un seguimiento eficaz de los progresos, identificar las áreas de mejora y asegurarte de que el proyecto mantiene el rumbo.

La conexión entre el planteamiento del problema y las tareas de visión artificial

El enunciado de tu problema te ayuda a conceptualizar qué tarea de visión artificial puede resolverlo.

Por ejemplo, si tu problema es controlar la velocidad de los vehículos en una autopista, la tarea de visión por ordenador relevante es el seguimiento de objetos. El seguimiento de objetos es adecuado porque permite al sistema seguir continuamente a cada vehículo en la secuencia de vídeo, lo que es crucial para calcular con precisión su velocidad.

Other tasks, like object detection, are not suitable as they don't provide continuous location or movement information. Once you've identified the appropriate computer vision task, it guides several critical aspects of your project, like model selection, dataset preparation, and model training approaches.

¿Qué es lo primero? ¿La selección del modelo, la preparación del conjunto de datos o el enfoque de entrenamiento del modelo?

El orden de selección del modelo, la preparación del conjunto de datos y el enfoque del entrenamiento dependen de las características específicas de tu proyecto. He aquí algunos consejos para ayudarte a decidir:

• Comprensión clara del problema: Si tu problema y tus objetivos están bien definidos, empieza por la selección del modelo. A continuación, prepara tu conjunto de datos y decide el enfoque de entrenamiento en función de los requisitos del modelo.

  • Ejemplo: Empieza por seleccionar un modelo para un sistema de vigilancia del tráfico que estime la velocidad de los vehículos. Elige un modelo de seguimiento de objetos, recopila y anota vídeos de carreteras, y luego entrena el modelo con técnicas de procesamiento de vídeo en tiempo real.

• Datos únicos o limitados: Si tu proyecto se ve limitado por datos únicos o limitados, empieza por preparar el conjunto de datos. Por ejemplo, si tienes un conjunto de datos poco común de imágenes médicas, primero anota y prepara los datos. A continuación, selecciona un modelo que funcione bien con esos datos, seguido de la elección de un enfoque de entrenamiento adecuado.

  • Ejemplo: Prepara primero los datos para un sistema de reconocimiento facial con un conjunto de datos pequeño. Anótalos y, a continuación, selecciona un modelo que funcione bien con datos limitados, como un modelo preentrenado para el aprendizaje por transferencia. Por último, decide un enfoque de entrenamiento, incluido el aumento de datos, para ampliar el conjunto de datos.

• Necesidad de Experimentación: En los proyectos en los que la experimentación es crucial, empieza por el enfoque de entrenamiento. Esto es habitual en los proyectos de investigación, en los que puedes probar inicialmente distintas técnicas de entrenamiento. Refina tu selección de modelos tras identificar un método prometedor y prepara el conjunto de datos basándote en tus conclusiones.

  • Ejemplo: En un proyecto que explora nuevos métodos para detectar defectos de fabricación, empieza experimentando con un pequeño subconjunto de datos. Una vez que encuentres una técnica prometedora, selecciona un modelo adaptado a esos hallazgos y prepara un conjunto de datos completo.

Puntos comunes de debate en la Comunidad

A continuación, veamos algunos puntos de debate habituales en la comunidad sobre las tareas de visión artificial y la planificación de proyectos.

¿Cuáles son las diferentes tareas de visión artificial?

Las tareas de visión por ordenador más populares incluyen la clasificación de imágenes, la detección de objetos y la segmentación de imágenes.

Para una explicación detallada de las distintas tareas, echa un vistazo a la página Ultralytics Docs sobre YOLOv8 Tareas.

¿Puede un modelo preentrenado recordar las clases que conocía antes del entrenamiento personalizado?

No, los modelos preentrenados no "recuerdan" 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 anteriores.

If you want to use the classes the model was pre-trained on, a practical approach is to use two models: one retains the original performance, and the other is fine-tuned for your specific task. This way, you can combine the outputs of both models. There are other options like freezing layers, using the pre-trained model as a feature extractor, and task-specific branching, but these are more complex solutions and require more expertise.

¿Cómo afectan las opciones de despliegue a mi proyecto de visión artificial?

Las opciones de despliegue del modelo tienen un impacto crítico en el rendimiento de tu proyecto de visión por ordenador. Por ejemplo, el entorno de despliegue debe soportar la carga computacional de tu modelo. He aquí algunos ejemplos prácticos:

• Dispositivos periféricos: El despliegue en dispositivos periféricos, como smartphones o dispositivos IoT, requiere modelos ligeros debido a sus limitados recursos informáticos. Algunos ejemplos de tecnologías son TensorFlow Lite y ONNX Runtime, que están optimizadas para este tipo de entornos.
• Cloud Servers: Cloud deployments can handle more complex models with larger computational demands. Cloud platforms like AWS, Google Cloud, and Azure offer robust hardware options that can scale based on the project's needs.
• Servidores locales: Para escenarios que requieran una gran privacidad y seguridad de los datos, puede ser necesaria la implantación in situ. Esto implica una importante inversión inicial en hardware, pero permite un control total sobre los datos y la infraestructura.
• Soluciones híbridas: Algunos proyectos pueden beneficiarse de un enfoque híbrido, en el que parte del procesamiento se realiza en el borde, mientras que los análisis más complejos se descargan en la nube. Esto puede equilibrar las necesidades de rendimiento con consideraciones de coste y latencia.

Cada opción de despliegue ofrece ventajas y retos diferentes, y la elección depende de los requisitos específicos del proyecto, como el rendimiento, el coste y la seguridad.

Preguntas frecuentes

He aquí algunas preguntas que puedes encontrarte al definir tu proyecto de visión por ordenador:

• Q1: ¿Cómo establezco objetivos eficaces y mensurables para mi proyecto de visión artificial?
  • A1: Para establecer objetivos eficaces y mensurables, sigue los criterios SMART: Específicos, Mensurables, Alcanzables, Relevantes y Limitados en el tiempo. Define cómo es el éxito, cómo se medirá, asegúrate de que los objetivos son alcanzables con los recursos disponibles, alinéalos con los objetivos más amplios del proyecto y fija un plazo.

• P2: ¿Puede cambiar el alcance de un proyecto de visión artificial una vez definido el planteamiento del problema?

  • A2: Sí, el alcance de un proyecto de visión artificial puede cambiar a medida que se dispone de nueva información o que evolucionan los requisitos del proyecto. Es importante revisar y ajustar periódicamente el planteamiento del problema y los objetivos para reflejar cualquier nuevo conocimiento o cambio en la dirección del proyecto.

• P3: ¿Cuáles son algunos de los retos habituales a la hora de definir el problema de un proyecto de visión artificial?

  • A3: Entre los retos más comunes se incluyen la exposición vaga o demasiado amplia del problema, los objetivos poco realistas, la falta de alineación de las partes interesadas, la comprensión insuficiente de las limitaciones técnicas y la subestimación de las necesidades de datos. Abordar estos retos requiere una investigación inicial exhaustiva, una comunicación clara con las partes interesadas y un perfeccionamiento iterativo del planteamiento del problema y los objetivos.

Conectar con la Comunidad

Conectar con otros entusiastas de la visión por ordenador puede ser increíblemente útil para tus proyectos, ya que te proporcionará apoyo, soluciones y nuevas ideas. Aquí tienes algunas formas estupendas de aprender, solucionar problemas y establecer contactos:

Canales de apoyo comunitario

• Temas de GitHub: Dirígete al repositorio GitHub de YOLOv8 . Puedes utilizar la pestaña Cuestiones para plantear preguntas, informar de errores y sugerir funciones. La comunidad y los mantenedores pueden ayudarte con los problemas específicos que encuentres.
• Ultralytics Discord Server: Become part of the Ultralytics Discord server. Connect with fellow users and developers, seek support, exchange knowledge, and discuss ideas.

Guías y documentación completas

• Ultralytics YOLOv8 Documentación: Explora la documentación oficial de YOLOv8 para obtener guías detalladas y valiosos consejos sobre diversas tareas y proyectos de visión computerizada.

Conclusión

Defining a clear problem and setting measurable goals is key to a successful computer vision project. We've highlighted the importance of being clear and focused from the start. Having specific goals helps avoid oversight. Also, staying connected with others in the community through platforms like GitHub or Discord is important for learning and staying current. In short, good planning and engaging with the community is a huge part of successful computer vision projects.

Comentarios