Creación de conjuntos de datos YOLO de alto rendimiento
Una guía práctica para el trabajo previo al entrenamiento: convierte un objetivo empresarial en una prueba de aceptación, especifica y recopila datos representativos, etiqueta de forma coherente, audita la calidad con scripts, divide los datos sin fugas, ajusta el aumento de datos y condiciona el primer ajuste fino de Ultralytics YOLO26 a una comprobación de preparación.
Por Ultralytics Academy
Convierte un objetivo empresarial en un conjunto de datos documentado, equilibrado y sin fugas, listo para ajustar Ultralytics YOLO26, y sabrás exactamente qué corregir si aún no está preparado.
Convierte un objetivo empresarial en una tarea de visión, define las clases y crea una prueba de aceptación que puedas ejecutar como código.
Redacta una especificación del conjunto de datos con cuotas por escenario, dimensionada según los objetivos de Ultralytics: ≥1,500 imágenes y ≥10,000 instancias etiquetadas por clase, y entre un 0 y un 10 % de imágenes de fondo.
Recopila datos en condiciones reales de despliegue, guarda los metadatos de captura en los nombres de archivo y toma muestras de vídeo sin saturar el conjunto de datos.
Etiqueta de forma coherente con una guía escrita, una ronda de calibración cuantificada y teniendo presentes los diez errores de anotación más comunes.
Audita las etiquetas, el equilibrio entre clases, los duplicados y las posibles etiquetas ausentes con scripts breves de Python.
Divide los datos por grupo (clip, cámara, día, ubicación) para que las puntuaciones de validación reflejen la producción, y bloquea el conjunto de prueba.
Elige una configuración de aumento de datos que se ajuste al despliegue y compruébala en los lotes de entrenamiento.
Condiciona el entrenamiento a una comprobación de preparación de ocho puntos y convierte el primer ajuste fino de referencia en la siguiente mejora del conjunto de datos.
Un objetivo de una página y un script de prueba de aceptación que muestre PASS o FAIL.
Una especificación del conjunto de datos con cuotas por escenario, casos límite y una proporción de imágenes de fondo.
Un conjunto de datos de práctica con metadatos de captura en cada nombre de archivo, además de un informe de cobertura respecto a tus cuotas.
Una guía de etiquetado perfeccionada mediante una ronda de calibración con una puntuación de concordancia cuantificada.
Una auditoría de control de calidad y una revisión de etiquetas sospechosas con breves notas de control de calidad.
Listas de archivos de entrenamiento / validación / prueba agrupadas, sin clips, cámaras ni días compartidos entre las particiones.
Una comprobación de preparación con puntuación, un primer ajuste fino clasificado por clase y una lista de comprobación de inicio reutilizable.
No hace falta tener conocimientos de aprendizaje automático: cada concepto se explica antes de utilizarlo.
Python 3.10 o posterior con
pip install ultralyticspara ejecutar los scripts; basta con una CPU para todos los ejemplos.Recomendado: Fundamentos de visión artificial para aprender el vocabulario básico.
Contenido del curso
5 módulos · 10 leccionesMódulo 1
Empieza por el objetivo empresarial
Convierte un objetivo empresarial en una tarea de visión, define las clases y crea una prueba de aceptación que puedas ejecutar como código, antes de recopilar una sola imagen.
Define la especificación del conjunto de datos
Planifica los escenarios, las cuotas, la variabilidad, los casos límite y las imágenes de fondo antes de recopilar datos, y ajusta el tamaño del plan a los objetivos de volumen de Ultralytics.
Módulo 3
Buenas prácticas de anotación
Redacta una guía de etiquetado, elige una herramienta, evita los diez errores que reducen la precisión sin que te des cuenta y mide con un script el acuerdo entre anotadores antes de ampliar el proceso.
Control de calidad del conjunto de datos
Audita las etiquetas, el equilibrio de clases, los duplicados y la cobertura de las particiones con un script; deja que un modelo señale las posibles etiquetas que faltan y corrige lo que encuentres antes de entrenar.
Módulo 4
Divide el conjunto de datos correctamente
Mide cuánto filtran las divisiones aleatorias, divide grupos completos como clips, cámaras o días mediante un script, comprueba la cobertura de clases y bloquea el conjunto de test.
Usa el aumento de datos con cuidado
Prueba cada aumento de datos con la cámara de despliegue, crea un perfil justificado, entrena con él y comprueba el resultado en los lotes de entrenamiento.
Módulo 5
Averigua cuándo está listo el conjunto de datos
Condiciona la primera ejecución de entrenamiento a ocho comprobaciones de aprobado o suspenso, automatiza las tres que puede verificar un script y averigua qué solución requiere cada fallo.
Primer ajuste fino y ciclo de iteración
Ajusta pesos de YOLO26 preentrenados con la configuración predeterminada, ordena las clases por AP según los recuentos de errores por omisión y confusión, y convierte la clase más débil en la siguiente corrección del conjunto de datos.
Lista de comprobación para clientes empresariales
Una lista de comprobación de una página, dirigida al cliente, para la reunión inicial, que recoge todas las decisiones sobre el conjunto de datos antes de recopilarlo y establece las condiciones para cada nuevo entrenamiento.