Recopila datos representativos de alta calidad

La variabilidad supera al volumen#

Compara dos conjuntos de datos destinados al mismo despliegue:

La puntuación de validación del primer conjunto de datos es alta solo porque la validación mide la única condición que cubre. En producción, un modelo solo rinde tan bien como el escenario peor cubierto al que se enfrenta. Prioriza la cobertura de la especificación al recopilar datos y deja el volumen en segundo lugar.

Elige las fuentes en el orden adecuado#

La mayor parte del conjunto de datos debe proceder de la configuración real de producción. La guía de recopilación y anotación de datos explica cada fuente con más detalle:

Usa imágenes escenificadas, públicas y sintéticas para cubrir carencias concretas y documentadas en la especificación, y controla su proporción en el conjunto de datos para medir si ayudan. En Ultralytics Platform, Generar imágenes similares añade variaciones generadas a partir de una imagen existente a un conjunto de datos, sin etiquetar y listas para anotar.

Incluye los metadatos en el nombre del archivo#

Cada imagen necesita al menos un ID de cámara, el día de captura y un número de fotograma o clip. Sin ellos, no podrás separar los datos por grupos más adelante, rastrear una regresión hasta su origen ni recopilar más datos de un escenario poco representado. El soporte más duradero es el nombre del archivo: cam2_2026-05-01_000124.jpg sobrevive a todas las herramientas, exportaciones y cargas. La búsqueda de conjuntos de datos de Ultralytics Platform encuentra nombres de archivo y metadatos personalizados, así que estas claves se podrán seguir buscando tras la carga.

Este script crea el conjunto de datos de prácticas que se utiliza en el resto del curso. Copia las imágenes etiquetadas de COCO128 y les cambia el nombre como si cuatro cámaras las hubieran capturado durante cuatro días, con cam1 sobrerrepresentada, como suele ocurrir con una cámara cómoda de usar:

import shutil
from pathlib import Path

from ultralytics.data.utils import check_det_dataset, img2label_paths

data = check_det_dataset("coco128.yaml")  # 128 COCO images stand in for your camera captures
out = Path("datasets/practice")
(out / "images").mkdir(parents=True, exist_ok=True)
(out / "labels").mkdir(parents=True, exist_ok=True)

for i, image in enumerate(sorted(Path(data["train"]).glob("*.jpg"))):
    camera = ("cam1", "cam1", "cam2", "cam3", "cam4")[i % 5]  # cam1 over-collected, like a real site
    name = f"{camera}_2026-05-0{i // 32 + 1}_{i:06d}"  # camera, capture day, frame number
    shutil.copy(image, out / "images" / f"{name}.jpg")
    label = Path(img2label_paths([str(image)])[0])
    if label.exists():
        shutil.copy(label, out / "labels" / f"{name}.txt")

print(len(list((out / "images").glob("*.jpg"))), "images written to", out)

128 images written to datasets/practice

Al cargar los datos en Ultralytics Platform, se conservan esos nombres de archivo. El cuadro de diálogo de carga también admite vídeos y conjuntos de datos completos, y sus opciones incluyen el desenfoque de rostros para proteger la privacidad.

Controla la cobertura con respecto a la especificación#

Con los metadatos en los nombres de archivo, basta con contar para calcular la cobertura. Establece las cuotas a partir de tu especificación y deja que el script indique qué recopilar a continuación:

from collections import Counter
from pathlib import Path

QUOTA = {"cam1": 30, "cam2": 30, "cam3": 30, "cam4": 30}  # images per camera, from your spec

images = sorted(Path("datasets/practice/images").glob("*.jpg"))
cameras = Counter(p.stem.split("_")[0] for p in images)
days = Counter(p.stem.split("_")[1] for p in images)

for camera, quota in QUOTA.items():
    gap = quota - cameras[camera]
    print(f"{camera}: {cameras[camera]:3d} / {quota}  {'ok' if gap <= 0 else f'collect {gap} more'}")
print("days:", dict(sorted(days.items())))

cam1:  52 / 30  ok
cam2:  26 / 30  collect 4 more
cam3:  25 / 30  collect 5 more
cam4:  25 / 30  collect 5 more
days: {'2026-05-01': 32, '2026-05-02': 32, '2026-05-03': 32, '2026-05-04': 32}

La regla de decisión: deja de recopilar datos de cualquier fuente que supere su cuota y dedica el esfuerzo a cubrir las carencias. Aquí, cam1 ya representa el 40 % de las imágenes. Otra semana de grabaciones de esa cámara añadiría volumen, pero no ampliaría la cobertura.

Muestrea los vídeos sin saturar el conjunto de datos#

El vídeo es la fuente más barata y la más fácil de usar mal. A 30 fotogramas por segundo, un minuto genera 1.800 fotogramas casi idénticos; etiquetar dos veces el mismo momento cuesta dinero e infla las métricas. Conserva un fotograma solo cuando la escena haya cambiado desde el último que guardaste:

from pathlib import Path

import cv2

from ultralytics.utils.downloads import safe_download

video = "solutions_ci_demo.mp4"  # a short public demo clip; swap in your own footage
safe_download(f"https://github.com/ultralytics/assets/releases/download/v0.0.0/{video}")
Path("frames").mkdir(exist_ok=True)

cap = cv2.VideoCapture(video)
fps = cap.get(cv2.CAP_PROP_FPS)
read = kept = 0
last = None
while True:
    ok, frame = cap.read()
    if not ok:
        break
    thumb = cv2.cvtColor(cv2.resize(frame, (64, 64)), cv2.COLOR_BGR2GRAY).astype(float)
    if last is None or abs(thumb - last).mean() > 10:  # keep a frame only when the scene has changed
        cv2.imwrite(f"frames/clip01_{read:06d}.jpg", frame)  # the clip ID stays in the filename
        kept, last = kept + 1, thumb
    read += 1

print(f"{read} frames at {fps:.0f} FPS -> {kept} kept")

62 frames at 30 FPS -> 6 kept

El clip de dos segundos contiene 62 fotogramas, pero solo 6 momentos visualmente distintos. El script compara pequeñas miniaturas en escala de grises, así que procesa rápidamente horas de grabación. Sube el umbral de 10 para conservar menos fotogramas de cámaras estáticas; bájalo para escenas con mucho movimiento. Reparte también el presupuesto entre clips: 20 fotogramas de cada uno de 50 clips son mejor que 1.000 fotogramas de uno solo.

Evita los errores al recopilar datos#

Sesgo y consentimiento#

El sesgo es un problema de recopilación, no de modelado: ningún hiperparámetro puede corregir la ausencia de un grupo en los datos. La guía de recopilación de datos enumera cuatro medidas: fuentes diversas, representación equilibrada, revisiones periódicas de la cobertura y medidas de mitigación, como sobremuestrear los grupos infrarrepresentados.

Si las imágenes contienen rostros, matrículas u otros datos personales, necesitas obtener el consentimiento y definir una política de conservación antes de empezar la recopilación. La entrada del glosario sobre privacidad de datos es un buen punto de partida, y Privacidad, regiones y cumplimiento explica cómo mantener los datos en la jurisdicción adecuada con dataRegion.