{"id":23256,"date":"2024-05-02T17:54:53","date_gmt":"2024-05-02T17:54:53","guid":{"rendered":"https:\/\/multisystems.com\/?p=23256"},"modified":"2024-07-02T13:37:27","modified_gmt":"2024-07-02T13:37:27","slug":"lo-que-debe-saber-antes-de-intentar-entrenar-y-probar-una-aplicacion-de-deep-learning","status":"publish","type":"post","link":"https:\/\/multisystems.com\/es\/blog\/lo-que-debe-saber-antes-de-intentar-entrenar-y-probar-una-aplicacion-de-deep-learning\/","title":{"rendered":"Lo que Debe Saber Antes de Intentar Entrenar (Y Probar) una aplicaci\u00f3n de \u00abDeep Learning\u00bb"},"content":{"rendered":"
La IA debe fallar una y otra vez para tener \u00e9xito. Pero hay varios errores que debe evitar cometer al ense\u00f1ar a una aplicaci\u00f3n impulsada por Deep Learning c\u00f3mo buscar anomal\u00edas en un producto, componente o etiqueta.<\/p>
Al igual que el cerebro, las herramientas de Deep Learning utilizan una malla de redes neuronales artificiales que requiere entrenamiento para ser \u00abm\u00e1s inteligente\u00bb. La principal diferencia es que, a diferencia de la inteligencia artificial (IA), las redes neuronales de tu cerebro han estado aprendiendo durante a\u00f1os: literalmente las has estado entrenando con cientos de miles de im\u00e1genes todos los d\u00edas sin siquiera darte cuenta. Es por eso que su cerebro puede \u00abdetectar la diferencia\u00bb entre dos im\u00e1genes r\u00e1pidamente si se le pregunta, incluso si no sabe qu\u00e9 es realmente el objeto que est\u00e1 viendo.<\/p>
Sin embargo, una aplicaci\u00f3n impulsada por IA, una vez entrenada correctamente, detectar\u00e1 las diferencias mucho m\u00e1s r\u00e1pido. Por supuesto, todav\u00eda existen algunas limitaciones para esta tecnolog\u00eda. Pero en comparaci\u00f3n con hace unos a\u00f1os, los modelos de Deep Learning no requieren tantos datos como antes para ser confiables. Adem\u00e1s, si algo funciona demasiado lento, siempre puede actualizar el hardware de su PC para entrenar y ejecutar los modelos de Deep Learning m\u00e1s r\u00e1pido. Esa es una gran ventaja, ya que no podemos (todav\u00eda) actualizar el cerebro humano de manera comparable. Es por eso que la IA, el aprendizaje autom\u00e1tico y el Deep Learning son tan emocionantes. Si se entrena adecuadamente, esta tecnolog\u00eda puede hacer lo que nosotros hacemos y ayudarnos a resolver diferentes problemas, pero mucho m\u00e1s r\u00e1pido y con m\u00e1s precisi\u00f3n.<\/p>
<\/figure><\/div>
Sin embargo, la formaci\u00f3n adecuada es clave para el \u00e9xito de una aplicaci\u00f3n de Deep Learning. No puedo enfatizar m\u00e1s que si no usas las t\u00e1cticas correctas para ense\u00f1arle a la IA la diferencia entre \u00ablo correcto y lo incorrecto\u00bb, no podr\u00e1 comprender los conceptos que est\u00e1s tratando de inculcar. (Al igual que una persona).<\/p>
Por lo tanto, pens\u00e9 que podr\u00eda compartir las cosas que mis colegas y yo hemos visto que personas de todos los niveles de experiencia y habilidades se equivocan al intentar entrenar o probar una aplicaci\u00f3n de Deep Learning en escenarios del mundo real como la producci\u00f3n, el cumplimiento, la clasificaci\u00f3n, el embalaje y el control de calidad. Por supuesto, tambi\u00e9n quiero hablar sobre la forma correcta de entrenar un modelo de Deep Learning y, posteriormente, evaluar la efectividad de ese entrenamiento. Sin embargo, antes de llegar a eso, centr\u00e9monos en los conceptos b\u00e1sicos y analicemos lo que necesita para entrenar eficazmente su modelo de Deep Learning.<\/p>
Paso uno: Prepare sus conjuntos de datos (y sepa qu\u00e9 tipo de datos usar para ‘entrenamiento’ frente a ‘prueba’)<\/strong><\/p>
No se puede entrenar un modelo de Deep Learning si no se utiliza el tipo de datos adecuado para el entrenamiento, y a menudo veo a personas que intentan utilizar los mismos conjuntos de datos con fines de entrenamiento y prueba, lo cual es un problema.<\/p>
Para que un modelo de Deep Learning funcione de manera efectiva, debe estar expuesto a un conjunto de datos para aprender lo que requerimos de \u00e9l. El conjunto de datos de entrenamiento utilizados durante el proceso de entrenamiento se denomina \u00abconjunto de datos de entrenamiento\u00bb, mientras que otro conjunto completamente diferente utilizado para probar el modelo se denomina \u00abconjunto de datos de prueba\u00bb. A veces tambi\u00e9n puede haber un \u00abconjunto de datos de validaci\u00f3n\u00bb, que se utiliza durante el entrenamiento para la validaci\u00f3n, pero no para el entrenamiento. Pero para simplificar las cosas, vamos a ce\u00f1irnos a los conjuntos de datos de \u00abentrenamiento\u00bb y \u00abprueba\u00bb por ahora.<\/p>
Si comparamos una aplicaci\u00f3n impulsada por IA con un estudiante de secundaria, podr\u00edamos decir que el conjunto de datos de entrenamiento es como todos los materiales de aprendizaje utilizados en clase (donde cada imagen equivaldr\u00eda a un libro o art\u00edculo que aborda el mismo tema desde un \u00e1ngulo ligeramente diferente) y el conjunto de datos de prueba es como el examen de fin de trimestre, durante el cual probamos si el estudiante ha aprendido todo el conocimiento y puede ponerlo en pr\u00e1ctica para resolver los problemas en cuesti\u00f3n.<\/p>
La primera regla de oro a la hora de preparar los conjuntos de datos es NUNCA MEZCLAR conjuntos de datos de entrenamiento y prueba. La raz\u00f3n detr\u00e1s de esto es muy simple: si est\u00e1 probando un modelo de Deep Learning utilizando exactamente el mismo conjunto de datos que ya ha visto durante el entrenamiento, \u00bfc\u00f3mo puede estar seguro de que puede aplicar lo que ha aprendido en una situaci\u00f3n completamente nueva (por ejemplo, al analizar nuevas im\u00e1genes)? Pozo… No puedes. Y, la mayor\u00eda de las veces, no podr\u00e1. No se puede probar el modelo utilizando im\u00e1genes de entrenamiento por la misma raz\u00f3n por la que los profesores no dan a sus alumnos las preguntas del examen con antelaci\u00f3n. Quieren ver si pueden aplicar las lecciones ense\u00f1adas en clase a otras situaciones, quieren ver lo que derivaron y retuvieron de su formaci\u00f3n.<\/p>
Otra regla es que necesitas diversidad en tus im\u00e1genes. Su modelo de Deep Learning, para aprender de manera efectiva, necesita ser alimentado con muchas variaciones de la misma caracter\u00edstica. Supongamos que desea analizar defectos en la rosca de un perno. No se puede tomar un tornillo con una rosca defectuosa y tomar, digamos, 20 o 50 im\u00e1genes del mismo art\u00edculo, solo con algunos cambios menores en la iluminaci\u00f3n o el \u00e1ngulo de orientaci\u00f3n. Eso es hacer trampa, y est\u00e1 prohibido. El modelo de Deep Learning debe ser capaz de reconocer muchas anomal\u00edas diferentes, que pueden incluir la pieza o el componente equivocado que viene en el futuro. Por lo tanto, siempre que est\u00e9 entrenando un modelo de Deep Learning, debe preparar un conjunto de datos de entrenamiento (por ejemplo, im\u00e1genes) de 20 a 50 objetos diferentes, quiero decir verdaderamente diferentes. En su caso, esto significar\u00eda 20-50 pernos con defectos similares pero diferentes de la rosca.<\/p>
Otra regla es que necesitas diversidad en tus im\u00e1genes. Su modelo de Deep Learning, para aprender de manera efectiva, necesita ser alimentado con muchas variaciones de la misma caracter\u00edstica. Supongamos que desea analizar defectos en la rosca de un perno. No se puede tomar un tornillo con una rosca defectuosa y tomar, digamos, 20 o 50 im\u00e1genes del mismo art\u00edculo, solo con algunos cambios menores en la iluminaci\u00f3n o el \u00e1ngulo de orientaci\u00f3n. Eso es hacer trampa, y est\u00e1 prohibido. El modelo de Deep Learning debe ser capaz de reconocer muchas anomal\u00edas diferentes, que pueden incluir la pieza o el componente equivocado que viene en el futuro. Por lo tanto, siempre que est\u00e9 entrenando un modelo de Deep Learning, debe preparar un conjunto de datos de entrenamiento (por ejemplo, im\u00e1genes) de 20 a 50 objetos diferentes, quiero decir verdaderamente diferentes. En su caso, esto significar\u00eda 20-50 pernos con defectos similares pero diferentes de la rosca.<\/p>
La \u00faltima regla es: no intentes entrenar con defectos ubicados en el borde de la imagen. Este es un problema complicado para los modelos de Deep Learning porque la precisi\u00f3n de las redes neuronales suele ser menor en los bordes debido al contexto m\u00e1s peque\u00f1o. Aunque las personas todav\u00eda pueden ver las cosas bastante bien en el borde de una imagen (o al menos creen que pueden), se recomienda que el campo de visi\u00f3n en aplicaciones reales asegure cierto margen alrededor de los objetos bajo inspecci\u00f3n.<\/p>
Entonces, para resumir las cosas, para entrenar de manera efectiva un modelo de Deep Learning, debe:<\/p>
Prepare dos conjuntos de datos diferentes, uno para el entrenamiento y solo el entrenamiento y otro para probar el modelo.<\/mark><\/li>\n\n
Aseg\u00farese de que el conjunto de datos de entrenamiento no contenga ning\u00fan dato (por ejemplo, im\u00e1genes) que est\u00e9 preestablecido en el conjunto de datos de prueba.<\/mark><\/li>\n\n
Prepare un conjunto de datos variado de entrenamiento y prueba que contenga objetos realmente diferentes (por ejemplo, diferentes piezas del mismo producto) con el mismo tipo de caracter\u00edstica (por ejemplo, defecto) que desea ense\u00f1ar al modelo a reconocer.<\/mark><\/li>\n\n
No utilice im\u00e1genes en las que los defectos se encuentren en los bordes de la imagen para el entrenamiento.<\/mark><\/li><\/ol>
Tambi\u00e9n debes hacer tus anotaciones correctas y saber cu\u00e1ndo es mejor no anotar algo.<\/p>
El Arte de la Anotaci\u00f3n<\/strong><\/p>
Hay muchos tipos de herramientas de Deep Learning. Algunas se pueden entrenar en un modo no supervisado (por ejemplo, detecci\u00f3n de anomal\u00edas) en el que simplemente se proporciona a la red un conjunto de im\u00e1genes sin marcar nada en ellas, mientras que otras herramientas requieren alg\u00fan tipo de anotaci\u00f3n para ense\u00f1ar a la red neuronal lo que se quiere que busque. En el caso de que se requieran anotaciones, debe recordar que las anotaciones que realice en su conjunto de datos de entrenamiento influir\u00e1n en la capacidad de la IA para aprender (y retener) la lecci\u00f3n correcta.<\/p>
La regla de oro aqu\u00ed es simple: no mezcles tus anotaciones. Si marca un tipo de defecto en algunas im\u00e1genes del conjunto de datos y otro tipo de defecto en otras im\u00e1genes y luego las env\u00eda todas como el mismo conjunto de datos de entrenamiento, esencialmente le ense\u00f1ar\u00e1 a la IA un muy mal h\u00e1bito. La red neuronal no extrapola a partir de ejemplos. Observa las marcas en la imagen, y esas marcas deben ser muy precisas para que la IA pueda aprender con patrones de entrenamiento muy claros.<\/p>
Supongamos que desea detectar ara\u00f1azos en una superficie de pl\u00e1stico, pero algunas muestras tambi\u00e9n tienen esquinas astilladas. Debes marcar los ara\u00f1azos, dejando las esquinas da\u00f1adas sin ninguna anotaci\u00f3n (y por lo tanto no ense\u00f1ar a la IA que se trata de alg\u00fan tipo de defecto) O entrenar un modelo que pueda reconocer dos clases diferentes de defectos: ara\u00f1azos y esquinas da\u00f1adas. En el segundo escenario, debe marcar todos los ara\u00f1azos como Defecto Uno y todas las esquinas astilladas como Defecto Dos. De esta manera, el modelo de Deep Learning, si se entrena adecuadamente, aprender\u00e1 a reconocer ambos defectos y podr\u00e1 diferenciarlos. Sin embargo, nunca funcionar\u00e1 si simplemente marca todos los diferentes defectos dentro de la imagen como una clase y luego usa estas im\u00e1genes para el entrenamiento.<\/p>
<\/figure><\/div>
A diferencia de nuestro cerebro, los modelos de Deep Learning no son capaces de reconocer \u00abun defecto\u00bb en su sentido general. Los humanos podemos hacer eso porque, como se mencion\u00f3 anteriormente, hemos estado ense\u00f1ando a nuestros cerebros a detectar cosas todos los d\u00edas durante a\u00f1os. Sin embargo, los modelos de Deep Learning pueden identificar defectos como ara\u00f1azos o elementos astillados perfectamente y mucho m\u00e1s r\u00e1pido que nosotros, siempre que les ense\u00f1emos esta \u00abhabilidad\u00bb correctamente.<\/p>
Hay, por supuesto, excepciones a esta regla (por ejemplo, la detecci\u00f3n de anomal\u00edas, donde puede ense\u00f1ar el modelo usando buenas muestras y el modelo detectar\u00e1 cualquier desviaci\u00f3n del patr\u00f3n aprendido). Pero si el modelo est\u00e1 entrenado en modo supervisado para reconocer un objeto determinado, debe asegurarse de que le proporciona los datos correctos y de que las anotaciones son correctas.<\/p>
Entonces, \u00bfhay alguna regla o truco aqu\u00ed? <\/p>
Por supuesto que hay:<\/p>
Utiliza las herramientas de anotaci\u00f3n adecuadas que puedan ayudarte a abordar el problema en cuesti\u00f3n. En algunos casos, el uso de la herramienta de pincel es mejor; en otros escenarios, un cuadro delimitador es m\u00e1s conveniente y apropiado. Por ejemplo, si desea que el modelo de Deep Learning detecte pl\u00e1tanos y crea cuadros delimitadores orientados, recuerde que los dos extremos de un pl\u00e1tano son diferentes. Por lo tanto, debe tener en cuenta la posible rotaci\u00f3n de 180 grados. Sin embargo, si desea que detecte naranjas, debe cambiar la forma en que marca la imagen. Las naranjas no tienen orientaci\u00f3n, por lo que es m\u00e1s apropiado un cuadro delimitador que no gire. Los ara\u00f1azos o los peque\u00f1os defectos, como las virutas, funcionar\u00e1n mejor con herramientas de anotaci\u00f3n de estilo a mano alzada, como el pincel.<\/mark><\/li>\n\n
Mantenga sus im\u00e1genes limpias y, haga lo que haga, no marque las im\u00e1genes con flechas o c\u00edrculos para mostrar la ubicaci\u00f3n de los defectos. Dichas muestras no tienen ning\u00fan valor para el entrenamiento (o las pruebas), ya que la red neuronal ver\u00e1 las marcas y emitir\u00e1 juicios utiliz\u00e1ndolas. Tampoco pienses en eliminar artificialmente estas partes en Photoshop. La red neuronal tambi\u00e9n lo detectar\u00e1. Si alguien te env\u00eda im\u00e1genes con marcas defectuosas, lo mejor que puedes hacer es pedir im\u00e1genes limpias que puedas usar durante el entrenamiento.<\/mark><\/li><\/ol>
![\"\"](\"https:\/\/multisystems.com\/wp-content\/uploads\/2024\/05\/image-5.png\")
<\/figure><\/div>![\"\"](\"https:\/\/multisystems.com\/wp-content\/uploads\/2024\/05\/image-6.png\")
<\/figure><\/div>