Define la especificación del conjunto de datos

Dónde encaja la especificación#

La especificación conecta el objetivo con la cámara. Guía la recopilación y es la página a la que vuelves cuando el primer modelo no alcanza su objetivo:

El ciclo vuelve a la especificación, no a los ajustes de entrenamiento: si no se alcanza el objetivo, normalmente es porque la especificación no contemplaba algún escenario. La guía sobre las etapas de un proyecto de CV describe el mismo ciclo de vida.

Escribe los escenarios en filas#

Un escenario es una combinación de condiciones de captura que el modelo debe gestionar. Las filas con cuotas permiten detectar carencias antes de que nadie coja una cámara:

Un escenario que no puedes describir por escrito es uno que el modelo no verá durante el entrenamiento, y será el que falle en producción.

Ajusta el tamaño de la especificación a los objetivos de volumen#

Los consejos de Ultralytics para obtener los mejores resultados de entrenamiento ofrecen reglas prácticas para producción:

Estos son los mínimos para un modelo de producción. Unos cientos de objetos etiquetados por clase bastan para empezar a experimentar, y ese primer modelo es la forma más rápida de saber qué escenarios necesitan más datos. Para ver cuánto le falta a un conjunto de datos, cuéntalo. Este script se ejecuta con COCO128, una muestra de 128 imágenes de COCO que se descarga automáticamente:

from collections import Counter
from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS, check_det_dataset, img2label_paths

IMAGES_PER_CLASS, INSTANCES_PER_CLASS = 1500, 10_000  # Ultralytics production targets

data = check_det_dataset("coco128.yaml")  # downloads COCO128 (~7 MB) on first run; swap in your data YAML
images = [p for p in Path(data["train"]).rglob("*.*") if p.suffix[1:].lower() in IMG_FORMATS]
image_count, instance_count, background = Counter(), Counter(), 0
for label in map(Path, img2label_paths([str(p) for p in images])):
    classes = [int(r.split()[0]) for r in label.read_text().splitlines() if r.strip()] if label.exists() else []
    instance_count.update(classes)
    image_count.update(set(classes))
    background += not classes

print(f"{len(images)} images, {background} background ({background / len(images):.0%}, target 0-10%)")
print(f"{'class':>12} {'images':>7} {'instances':>10} {'of target':>10}")
ranked = instance_count.most_common()
for cls, n in ranked[:3] + ranked[-3:]:  # best and worst covered classes
    coverage = min(image_count[cls] / IMAGES_PER_CLASS, n / INSTANCES_PER_CLASS)
    print(f"{data['names'][cls]:>12} {image_count[cls]:>7} {n:>10} {coverage:>10.1%}")

never_labeled = [name for i, name in data["names"].items() if i not in instance_count]
print(f"{len(never_labeled)} classes in names with zero labels: {never_labeled[:4]} ...")

128 images, 2 background (2%, target 0-10%)
       class  images  instances  of target
      person      61        254       2.5%
         car      12         46       0.5%
         cup      10         36       0.4%
        bear       1          1       0.0%
      banana       1          1       0.0%
        skis       1          1       0.0%
9 classes in names with zero labels: ['fire hydrant', 'parking meter', 'sheep', 'cow'] ...

Cómo interpretarlo:

• La cobertura es el menor de los dos cocientes: el de imágenes y el de instancias, porque una clase necesita ambos. Incluso person, la clase con mejor cobertura, solo alcanza el 2,5 % del objetivo de producción.
• Las clases con una sola instancia (bear, banana, skis) no se pueden aprender ni evaluar. En tu conjunto de datos, recopila más ejemplos o elimínalas de la v1.
• Las clases sin etiquetas aparecen en el YAML, pero nunca se dibujan. Aun así, el modelo dedica capacidad a predecirlas. Elimínalas de names o recopila ejemplos antes del entrenamiento.

Cubre las dimensiones de variabilidad#

Un solo fotograma ya combina personas a distintas distancias, bicicletas, un perro y coches. Una especificación real debe planificar deliberadamente esa variedad. Para cada dimensión, indica si la especificación la cubre o por qué no es aplicable; las filas vacías representan escenarios que descubrirás en producción:

La variabilidad importa más que el volumen: 1.500 imágenes distribuidas entre estas filas valen más que 5.000 tomadas con una cámara al mediodía.

Planifica las imágenes de fondo y los casos extremos#

Las imágenes de fondo son fotogramas sin objetos etiquetados, como un muelle vacío. Enseñan al modelo que no hay nada y reducen los falsos positivos.

Los casos extremos incluyen oclusiones intensas, objetos cortados por el borde del fotograma, orientaciones poco habituales, objetos apilados y elementos que se parecen, como el mástil de una carretilla elevadora junto a una columna de acero. Asigna a cada caso una fila de cuota propia.