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.

Repetir el éxito es más difícil que crear el primer modelo. La mayoría de los proyectos de visión fallidos se pueden atribuir a una pregunta que nadie hizo al inicio: dónde se ejecutará el modelo, qué se considerará un éxito o si el conjunto de prueba realmente no se había visto antes. Esta lista de comprobación resume el curso en una página que el cliente puede rellenar sin que un ingeniero se lo traduzca, para plantear esas preguntas cuando aún es barato responderlas.

Resultado

Haz la reunión inicial con una persona interesada usando la lista de comprobación de una página y convierte cada pregunta sin respuesta en una acción con responsable y fecha.

Vía rápida

Si ya tienes experiencia, aquí tienes un resumen.

Rellena la lista de comprobación con la persona interesada en la reunión inicial, antes de recopilar datos.
Asigna un responsable y una fecha a cada respuesta «no lo sé».
Supedita la recopilación de datos, el etiquetado y el entrenamiento a sus respectivas secciones.
Vuelve a revisar la lista de comprobación completa antes de cada nuevo entrenamiento.

Práctico

La lista de comprobación para la reunión inicial#

Cópiala en el repositorio o la wiki del proyecto. Cada sección corresponde a una lección de este curso y está redactada con términos que puede responder una persona sin conocimientos de ingeniería:

# Vision Project Kickoff Checklist

Project: ...   Owner: ...   Date: ...

## 1. What should the model do?
   Business goal (one sentence, with a deadline): ...
   Task: [ ] detect [ ] segment [ ] semantic [ ] classify [ ] pose [ ] OBB [ ] depth
   Classes, each with a definition and a look-alike it excludes: ...

## 2. Where will the model run?
   [ ] Cloud GPU  [ ] Cloud CPU  [ ] Edge device  [ ] Mobile  [ ] Browser
   Latency target: ... ms   Cameras / resolution: ...

## 3. What visual variation exists?
   Times of day: ...   Weather: ...   Sites: ...
   Cameras: ...   Operators / shifts: ...   Variants: ...

## 4. Which edge cases matter?
   ...

## 5. Do we have background images?
   [ ] Yes, ...% of images (target 0-10%)   [ ] No, collect first

## 6. Are labels consistent?
   [ ] Labeling guide written   [ ] Agreement measured: ...%
   [ ] QC audit and suspect review run, notes attached

## 7. Did we check for leakage?
   Split unit: [ ] clip [ ] camera [ ] day [ ] site [ ] customer
   [ ] No group appears in more than one split
   [ ] Every class appears in every split

## 8. Is the test set truly unseen?
   [ ] Locked; used once for the final go/no-go

## 9. What defines success?
   Acceptance test (metric, threshold, holdout): ...

Volume: [ ] >=1,500 images and >=10,000 instances per class
        [ ] or documented exception with expected impact: ...

Ready to fine-tune YOLO26?  [ ] Yes   [ ] No, fix item ... first

Cuándo cada sección condiciona el proyecto#

Etapa	Secciones que deben responderse	Qué evita
Reunión inicial	1, 2, 9	Crear el modelo equivocado para el hardware equivocado
Antes de recopilar datos	3, 4, 5	Recopilar datos que no reflejen las condiciones de despliegue
Antes de etiquetar	6	Pagar por etiquetar lo mismo de tres maneras distintas
Antes de entrenar	7, 8, volumen	Confiar en una métrica optimista o afectada por filtraciones de datos
Antes de cada nuevo entrenamiento	Todas	Que los datos nuevos hagan fallar silenciosamente una comprobación que antes se superaba

Dirigir la reunión inicial#

Repasa la página con la persona responsable del resultado de negocio, no solo con los ingenieros. Estos tres hábitos harán que funcione:

Dedica tiempo a la sección 9. La prueba de aceptación es donde afloran los desacuerdos reales, y dedicar una hora a acordarla ahorra semanas de discusiones sobre si un modelo es lo bastante bueno.
Acepta «no lo sé» como respuesta. Anota al lado un responsable y una fecha. Los elementos sin respuesta conforman el plan del proyecto para las dos semanas siguientes.
Pregunta pronto por la sección 2. El destino de despliegue limita el tamaño del modelo y de la imagen, lo que a su vez determina cuál es el objeto más pequeño que debe cubrir el conjunto de datos.

Una lista de comprobación rellenada solo por ingenieros no cumple su propósito

El valor está en las respuestas de las partes interesadas a las secciones 1, 3, 4 y 9. Si los ingenieros las rellenan basándose en suposiciones, la lista registra suposiciones en vez de acuerdos. Organiza la reunión y deja en blanco lo que nadie sepa responder todavía.

Guarda la lista de comprobación cumplimentada junto con el conjunto de datos, al lado de las notas de control de calidad y los archivos de división. Cuando alguien pregunte meses después por qué se comporta así el modelo, la respuesta suele empezar en esta página.

Qué puedes hacer ahora#

Puedes convertir un objetivo de negocio en una prueba de aceptación, redactar una especificación del conjunto de datos con cuotas, recopilar datos representativos con metadatos en cada nombre de archivo, etiquetar de forma coherente y medir el grado de acuerdo, auditar la calidad con scripts, dividir los datos por grupos sin filtraciones, elegir aumentos de datos que reflejen el despliegue, condicionar el entrenamiento a una comprobación de preparación y convertir una ejecución de referencia en la siguiente mejora del conjunto de datos.

Ciclo de vida de Ultralytics Platform: anotación inteligente con SAM, entrenamiento en GPU en la nube y despliegue en regiones de todo el mundo, con logotipos de socios de integración

Qué hacer a continuación#

Entrena tu primer modelo YOLO: convierte las etiquetas en Prepara un conjunto de datos personalizado y, después, entrena, valida y exporta.
Crea con Ultralytics Platform: lleva a cabo el mismo ciclo de vida (anotación, selección, entrenamiento en la nube, despliegue y monitorización) desde un único lugar, empezando por Selecciona, elimina duplicados y divide.
Ultralytics YOLO en producción: exporta, sirve y supervisa el modelo para detectar desviaciones una vez esté en funcionamiento.
La guía de ajuste fino: congelación de capas, entrenamiento en dos etapas y elección del optimizador cuando los valores predeterminados no bastan.

Pruébalo

Haz la reunión inicial usando la lista de comprobación con un proyecto real, tuyo o de un cliente, y con la persona responsable del resultado de negocio presente. Marca cada elemento como sí, no o «no lo sé», y asigna un responsable y una fecha a cada «no lo sé». Entregable: la kickoff-checklist.md cumplimentada y la lista de acciones resultante.

Cuándo se considera terminado

Has terminado la lección cuando se cumplen todas estas condiciones.

Con la persona interesada presente, se responde a cada elemento de la lista de comprobación con sí, no o no lo sé.
Cada «no lo sé» tiene un responsable y una fecha.
La lista de comprobación cumplimentada se guarda junto con el conjunto de datos y se comparte con la persona responsable del proyecto.

Mostrar solución

Una reunión inicial completada para el proyecto del almacén de la lección 1:

Project: dock-safety-v1   Owner: site operations lead   Date: 2026-05-02

1. Goal: cut dock-door near misses 30% in six months.  Task: [x] detect
   Classes: forklift (excludes hand pallet jacks), person (excludes reflections),
            pallet (excludes crates without a pallet base)
2. [x] Edge device   Latency: <= 100 ms   Cameras: 4 x 1080p, 12 fps
3. Day and night shifts; rain at bays B-C; sites: dock A only for v1
4. People behind stacked pallets; forklifts half out of frame at bay edges
5. [ ] No: collect 150 empty-dock frames (owner: shift lead, by 2026-05-16)
6. [ ] Guide written  [ ] Agreement measured  -> owner: annotation lead, by 2026-05-23
7. Split unit: [x] camera + day
8. [x] Locked: cam-4, 2026-06-01 to 2026-06-07, never used for tuning
9. Recall(person) >= 0.95 at precision >= 0.85 on the locked cam-4 week
Volume: [ ] exception: pallet target 2,000 instances for v1; expect lower
        pallet recall in crowded bays

Ready to fine-tune YOLO26?  [ ] No, fix items 5 and 6 first

Dos respuestas «no lo sé» se convirtieron en acciones con fecha, el objetivo de borde estableció el límite de latencia y la semana de prueba bloqueada concreta la prueba de aceptación.

Qué viene después

Curso completado. Haz el cuestionario final para obtener tu certificado de Creación de conjuntos de datos YOLO de alto rendimiento.

Inicia sesión para guardar tu progreso

Get Started