Etiquetado de imágenes para visión artificial
Qué es el etiquetado de imágenes
El etiquetado de imágenes es el trabajo de marcar en cada foto lo que contiene y ponerle nombre: esto es una bandeja, esto es una mano, esto es un defecto. Con esos ejemplos, un modelo de visión artificial aprende a reconocer lo mismo en imágenes que no ha visto nunca. También se llama anotación de imágenes, y suele ser la parte menos visible y más laboriosa de un proyecto de visión.
Cómo se etiqueta una imagen
El tipo de etiqueta depende de lo que tenga que hacer el modelo:
- Clasificación: una etiqueta para toda la imagen, por ejemplo correcta o defectuosa.
- Detección: un rectángulo alrededor de cada objeto, con su clase.
- Segmentación: el contorno exacto del objeto, píxel a píxel.
- Puntos clave: posiciones concretas, como las articulaciones de una persona para estimar su postura.
Antes de empezar hay que fijar las clases y un criterio común. Si dos personas etiquetan la misma foto de forma distinta, el modelo aprende esa duda. Por eso se escribe una guía con ejemplos de lo que sí, lo que no y los casos grises, y se revisa una parte de las etiquetas.
Un ejemplo sencillo
Una cámara cenital vigila una línea de envasado. Para que el sistema detecte tapones mal puestos, se recogen fotos de envases correctos y defectuosos de varios turnos y lotes, se dibuja un recuadro sobre cada tapón y se marca si está bien o mal. Una parte de esas fotos se aparta y no se usa para entrenar: sirve para comprobar el modelo con imágenes que no conoce.
Cuántas imágenes hacen falta para entrenar un modelo
No hay un número universal. Depende de cuánto varía el producto o la escena, del tamaño de lo que hay que detectar, del tipo de modelo y de las condiciones de luz y cámara. Importa más cubrir las variaciones reales (turnos, lotes, reflejos, ángulos) que acumular muchas fotos iguales. Y conviene separar entrenamiento, validación y prueba, para que el resultado no parezca mejor de lo que será en producción.
Cómo lo aplicamos en DPI
En DPI Systems el etiquetado forma parte de nuestros proyectos de visión por computador. En MBO Smart Buffet, el sistema de visión artificial que desarrollamos para medir el consumo en buffets de hotel, trabajamos con 5.033 imágenes etiquetadas de buffets reales, desde 23 cámaras. El detector solo aprende clases que no cambian con el menú, como bandeja, pinza, mano o huésped. Para saber qué plato hay en cada bandeja, el modelo DINOv3 de Meta calcula una huella de 384 números que se busca en Qdrant. Así, dar de alta un plato nuevo es fotografiarlo, no reentrenar ni volver a etiquetar. Si el sistema no reconoce un plato, lo registra como desconocido para etiquetarlo después.