Cursos Empresas Blog Live Conf Eventos Precios

0:0013:54

Postprocesamiento de modelos

Curso Profesional de Computer Vision con TensorFlow

Clase 29 / 33

Ver clases

Postprocesamiento de modelos

Curso Profesional de Computer Vision con TensorFlow

Clase 29 de 33

Clase 29 / 33

Postprocesamiento de modelos

Curso Profesional de Computer Vision con TensorFlow

Clase 29 / 33

Ver clases

Mario Alexander Vargas Celis

Hace 2 años

El postprocesamiento de modelos en Machine Learning implica tomar las predicciones del modelo y transformarlas o interpretarlas de una manera que sea útil para los usuarios o los sistemas que consumen esos resultados. Este proceso varía según el tipo de modelo, los datos y los requisitos de la aplicación. A continuación, se describen algunas técnicas comunes de postprocesamiento de modelos, así como una guía de implementación para algunos de estos métodos.

### 1. **Escalado y Normalización de Resultados**

Si el modelo devuelve valores en una escala que no es adecuada para la aplicación final, es común reescalar estos resultados. Por ejemplo, algunos modelos de redes neuronales pueden dar como salida valores no acotados, por lo que se utiliza una función de activación final para comprimir los valores en un rango específico (ej., [0, 1] o [-1, 1]).


import numpy as np



\# Supón que `predicciones` es un array de predicciones que necesitas reescalar a \[0, 1]

def rescale(predictions):

&#x20;   return (predictions - predictions.min()) / (predictions.max() - predictions.min())

&#x20;  &#x20;

\# Aplicar reescalado

predictions\_rescaled = rescale(predictions)

### 2. **Filtrado de Ruido en Resultados**

Para evitar resultados erráticos, especialmente en aplicaciones de visión por computadora o series temporales, se pueden aplicar técnicas de suavizado como filtros de media o mediana, filtros gausianos, o algoritmos de suavizado exponencial.


\# Ejemplo de suavizado usando un filtro de media simple

def moving\_average(predictions, window\_size=3):

&#x20;   return np.convolve(predictions, np.ones(window\_size)/window\_size, mode='valid')

&#x20;  &#x20;

\# Aplicar suavizado

smoothed\_predictions = moving\_average(predictions)

### 3. **Umbralización para Detección Binaria**

En algunos modelos, como los de clasificación binaria, la salida del modelo es una probabilidad. Para clasificar estos resultados, es común establecer un umbral que determina si el resultado se considera positivo o negativo.


def apply\_threshold(predictions, threshold=0.5):

&#x20;   return (predictions >= threshold).astype(int)



\# Convertir probabilidades a etiquetas binarias

binary\_predictions = apply\_threshold(predictions, threshold=0.7)

### 4. **Decodificación de Clases**

En clasificación multiclase, los modelos suelen devolver probabilidades para cada clase. Si necesitas obtener la clase final, toma el índice de la probabilidad más alta como la predicción.


\# Supón que `predicciones` es una matriz donde cada fila contiene las probabilidades para cada clase

def decode\_classes(predictions):

&#x20;   return np.argmax(predictions, axis=1)



\# Obtener clases predichas

predicted\_classes = decode\_classes(predictions)

### 5. **Agrupación y Agravación de Resultados**

Para aplicaciones donde se necesita tomar decisiones basadas en secuencias de predicciones (por ejemplo, en reconocimiento de voz o análisis de series temporales), se pueden aplicar técnicas de agrupación para unificar varias predicciones en un resultado final, como el método de votación mayoritaria.


from scipy.stats import mode



def aggregate\_predictions(predictions, method='majority'):

&#x20;   if method == 'majority':

&#x20;       return mode(predictions)\[0]\[0]

&#x20;   \# Agrega más métodos según sea necesario



\# Ejemplo de uso

aggregated\_result = aggregate\_predictions(predicted\_classes)

### 6. **Explicabilidad y Generación de Reportes**

En algunos casos, es importante que los resultados sean interpretables para los usuarios. Herramientas como **SHAP** o **LIME** pueden ayudar a entender cómo el modelo llegó a sus predicciones.


import shap



\# Supón que tienes un modelo de Scikit-Learn y datos de entrada para el análisis

explainer = shap.TreeExplainer(model)

shap\_values = explainer.shap\_values(X\_test)



\# Visualización con SHAP

shap.summary\_plot(shap\_values, X\_test, plot\_type="bar")

### 7. **Conversión a Formatos Requeridos (JSON, CSV, ProtoBuf)**

Para que los resultados sean consumidos por otras aplicaciones o servicios, puedes convertir las predicciones a un formato específico. JSON es común para servicios web, mientras que CSV puede ser útil para reportes.


import json

import pandas as pd



\# Convertir predicciones a JSON

predictions\_json = json.dumps(predictions.tolist())



\# Convertir predicciones a CSV

pd.DataFrame(predictions).to\_csv("predictions.csv", index=False)

### 8. **Redondeo y Acondicionamiento de Resultados**

Si los valores predichos representan cantidades que requieren redondeo (como precios, cantidad de unidades, etc.), puedes redondear los resultados según sea necesario.


\# Redondeo a dos decimales para valores monetarios

predictions\_rounded = np.round(predictions, 2)

### 9. **Postprocesamiento de Detección de Objetos**

Para detección de objetos (usualmente en visión por computadora), el postprocesamiento puede incluir la eliminación de detecciones duplicadas usando **Non-Maximum Suppression (NMS)**.


import cv2



\# Suponiendo que tienes las predicciones de bounding boxes y sus probabilidades

def non\_maximum\_suppression(boxes, scores, threshold=0.5):

&#x20;   indices = cv2.dnn.NMSBoxes(boxes, scores, score\_threshold=threshold, nms\_threshold=0.4)

&#x20;   return \[boxes\[i] for i in indices]



\# Aplicar NMS

final\_boxes = non\_maximum\_suppression(boxes, scores)

### 10. **Automatización del Postprocesamiento en Google Cloud**

Para sistemas en producción, puedes configurar una función de postprocesamiento en **Cloud Functions** o **Vertex AI Pipelines** en Google Cloud Platform.

#### Ejemplo usando Cloud Functions:


from google.cloud import storage

import json



def postprocess(event, context):

&#x20;   client = storage.Client()

&#x20;   bucket = client.get\_bucket(event\['bucket'])

&#x20;   blob = bucket.blob(event\['name'])

&#x20;  &#x20;

&#x20;   \# Cargar las predicciones desde el archivo

&#x20;   predictions = json.loads(blob.download\_as\_string())

&#x20;  &#x20;

&#x20;   \# Ejemplo de umbralización

&#x20;   thresholded\_predictions = apply\_threshold(predictions)

&#x20;  &#x20;

&#x20;   \# Guardar el resultado postprocesado

&#x20;   result\_blob = bucket.blob("processed/" + event\['name'])

&#x20;   result\_blob.upload\_from\_string(json.dumps(thresholded\_predictions))

Para activar esta función, configúrala para que se ejecute automáticamente cada vez que se suban nuevas predicciones al bucket de GCS.

### Resumen de Postprocesamiento

1. **Escalado y Normalización**: Reescalar valores según el rango deseado.

2. **Filtrado de Ruido**: Suavizar predicciones para evitar cambios abruptos.

3. **Umbralización**: Convertir probabilidades en etiquetas binarias.

4. **Decodificación de Clases**: Obtener las clases predichas en clasificación multiclase.

5. **Agrupación**: Combinar múltiples predicciones en una sola salida.

6. **Explicabilidad**: Utilizar herramientas como SHAP para entender las predicciones.

7. **Conversión de Formatos**: Convertir resultados a JSON, CSV u otros formatos requeridos.

8. **Redondeo y Acondicionamiento**: Ajustar valores numéricos finales.

9. **Non-Maximum Suppression (NMS)**: Filtrar detecciones en visión por computadora.

10. **Automatización**: Configurar postprocesamiento automático en Google Cloud.

Este enfoque asegura que tus resultados sean precisos, limpios y fácilmente interpretables para la aplicación final.

Postprocesamiento de modelos

Postprocesamiento de modelos

Postprocesamiento de modelos

Progreso del curso

Comprender la visión computarizada

Dimensionamiento de proyecto de visión computarizada

Obtención y procesamiento de los datos

Entrena, testea y optimiza tus modelos

Producto con visión computarizada en producción

Siguientes pasos en inteligencia artificial

Postprocesamiento de modelos

Postprocesamiento de modelos

Comentarios

Comentarios