Cómo definir objetivos para tu proyecto de visión artificial#
Para definir un proyecto de visión artificial, redacta una declaración del problema que identifique la cuestión principal, el alcance, las partes interesadas y las limitaciones; establece objetivos medibles y con plazos definidos; y relaciona el problema con la tarea de visión artificial que determinará las decisiones sobre el modelo, el conjunto de datos y la implementación. Esta guía explica cada paso con un ejemplo práctico.
Ver: Cómo definir el objetivo de un proyecto de visión artificial | Relación entre el planteamiento del problema y las tareas de VisionAI 🚀
Para obtener una visión general de todo el flujo de trabajo, desde la recopilación de datos hasta la implementación, consulta nuestra guía sobre los pasos clave de un proyecto de visión artificial.
Cómo redactar una declaración del problema de visión artificial#
Una declaración del problema clara es el primer gran paso para encontrar la solución más eficaz. Consta de cuatro partes:
- Identifica la cuestión principal: Determina el reto específico que pretende resolver tu proyecto de visión artificial.
- Determina el alcance: Define los límites del problema.
- Ten en cuenta a los usuarios finales y las partes interesadas: Identifica quiénes se verán afectados por la solución.
- Analiza los requisitos y las limitaciones del proyecto: Evalúa los recursos disponibles (tiempo, presupuesto, personal) e identifica cualquier limitación técnica o normativa.
Ejemplo de declaración de un problema empresarial#
Imagina un proyecto de visión artificial cuyo objetivo es estimar la velocidad de los vehículos en una autopista. La cuestión principal es que los métodos actuales de control de velocidad son ineficientes y propensos a errores debido a los sistemas de radar obsoletos y a los procesos manuales. El proyecto pretende desarrollar un sistema de visión artificial en tiempo real que pueda sustituir a los sistemas heredados de estimación de velocidad.
Entre los usuarios principales se encuentran las autoridades de gestión del tráfico y las fuerzas del orden, mientras que las partes interesadas secundarias son los planificadores de autopistas y el público, 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 el procesamiento de datos en tiempo real. También deben tenerse en cuenta las restricciones normativas sobre privacidad y seguridad de los datos.
Establecer objetivos medibles#
Establecer objetivos medibles es fundamental para el éxito de un proyecto de visión artificial. 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 | Fija metas realistas dentro de tus posibilidades. |
| Relevante | Alinea los objetivos con las metas generales de tu proyecto. |
| Con plazo definido | Fija plazos 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 seis meses, utilizando un conjunto de datos de 10 000 imágenes de vehículos.
- El sistema debería poder procesar transmisiones de vídeo en tiempo real a 30 fotogramas por segundo con un retraso mínimo.
Al fijar objetivos específicos y cuantificables, puedes hacer un seguimiento eficaz del progreso, identificar aspectos que mejorar y asegurarte de que el proyecto siga el rumbo previsto.
Cómo elegir la tarea de visión artificial adecuada#
La definición del problema te ayuda a determinar qué tarea de visión artificial 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 ver una comparación detallada.
Por ejemplo, si tu problema consiste en vigilar 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 en los fotogramas del vídeo, algo necesario para calcular la velocidad.
En este caso, la detección por sí sola no basta: 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 artificial 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 método de entrenamiento depende de las características específicas del proyecto:
| Tu situación | Empieza por | Ejemplo |
|---|---|---|
| Problema y objetivos bien definidos | Selección del modelo | Para un sistema de vigilancia 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 el modelo 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 y, después, selecciona un modelo que funcione bien con pocos datos —como un modelo preentrenado para el aprendizaje por transferencia— y planifica el aumento de datos para ampliar 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 plataforma Ultralytics simplifica la organización, anotación y entrenamiento del conjunto de datos a medida que evoluciona tu proyecto.
Cómo afectan las opciones de implementación a tu proyecto#
Las opciones de implementación del modelo influyen de forma decisiva en el rendimiento de tu proyecto de visión artificial, así que tenlas en cuenta desde el principio. El entorno de implementación debe poder gestionar la carga computacional del modelo:
| Opción de implementación | Ideal para | Tecnologías de ejemplo |
|---|---|---|
| Dispositivos periféricos | Teléfonos inteligentes y dispositivos IoT con recursos computacionales limitados; modelos ligeros | LiteRT, ONNX Runtime |
| Servidores en la nube | Modelos complejos con mayores necesidades computacionales; hardware que se adapta al crecimiento del 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 dispositivo periférico y análisis en la nube | Combinación de entornos de ejecución periféricos y plataformas en la nube |
Cada opción ofrece ventajas y retos distintos, 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 empieza con una definición clara del problema, objetivos SMART medibles y la tarea de visión artificial adecuada; estas decisiones orientan todo lo que viene después, desde la selección del modelo hasta su implementación. Como siguiente paso, aprende a recopilar y anotar datos o comenta tu proyecto con otros desarrolladores en GitHub y en el servidor de Discord de Ultralytics.
Preguntas frecuentes#
Una descripción clara del problema indica cuál es el problema principal que resuelve tu proyecto, su alcance, los usuarios finales y las partes interesadas, así como las limitaciones de recursos y normativas. Aborda esos cuatro aspectos en orden y valida la descripción con las partes interesadas antes de tomar decisiones técnicas. Consulta Cómo redactar la descripción de un problema de visión artificial para ver el análisis completo y un ejemplo práctico.
Relaciona el resultado que necesita tu problema con la tarea que lo genera: una sola etiqueta por imagen apunta a la clasificación de imágenes; las ubicaciones de los objetos, a la detección de objetos; los límites a nivel de píxel, a la segmentación de imágenes; y las identidades que se mantienen entre fotogramas de vídeo requieren el mismo modelo de detección ejecutado en modo de seguimiento. Por ejemplo, para vigilar la velocidad de los vehículos hace falta el 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 con plazo definido. Por ejemplo: «Alcanzar un 95 % de precisión en la detección de velocidad en seis meses utilizando un conjunto de datos de 10 000 imágenes de vehículos». Este método te ayuda a hacer un seguimiento del progreso e identificar aspectos que mejorar. Lee más sobre cómo establecer objetivos medibles.
No, los modelos preentrenados no «recuerdan» clases en el sentido tradicional. Aprenden patrones a partir de conjuntos de datos enormes 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, una opción práctica es usar dos modelos: uno conserva el rendimiento original y el otro se ajusta para tu tarea específica. Así puedes combinar los resultados de ambos modelos. Hay otras opciones, como congelar capas, usar 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 implementación determinan qué tamaños y formatos de modelo son viables, por lo que condicionan tu proyecto desde el principio. Los dispositivos periféricos necesitan modelos ligeros que se ejecuten con formatos y entornos de ejecución como LiteRT o ONNX Runtime; los servidores en la nube gestionan modelos complejos con hardware escalable; los servidores locales ofrecen control total de los datos para proyectos con requisitos estrictos de privacidad; y las configuraciones híbridas combinan ambas opciones. Compáralas en la tabla de opciones de implementación o consulta la guía de opciones de implementación de modelos para obtener más información.
Entre los retos más habituales se incluyen:
- Descripciones del problema vagas o demasiado amplias.
- Objetivos poco realistas.
- Falta de alineación entre las partes interesadas.
- Comprensión insuficiente de las limitaciones técnicas.
- Infravaloración de los requisitos de datos.
Aborda estos retos investigando a fondo desde el principio, comunicándote con claridad con las partes interesadas y perfeccionando de forma iterativa la descripción del problema y los objetivos. Para consultar el flujo de trabajo completo del proyecto, consulta los pasos clave de un proyecto de visión artificial.