Producto mínimo viable en computer vision

Clase 9 de 33 • Curso Profesional de Computer Vision con TensorFlow

Rodolfo Arturo González Trillo

student•

9. Producto mínimo viable en Computer Vision

El concepto de producto Mínimo Viable sirve para evitar perder tiempo y dinero, definiendo las características mínimas para un proyecto.

Try small.
Fail fast.
Fail cheap
Fail forward.
Don't aim for perfection.

Es mejor tener versiones pequeñas entregables que realizar producciones de productos con más características porque:

Una solución rápida es mejor que ninguna solución en un intervalo corto de tiempo.
Permite una mejor comunicación con el cliente, después de cada versión ya se tienen pruebas y opiniones.

Mario Alexander Vargas Celis

student•

Un Producto Mínimo Viable (MVP) en un proyecto de visión computarizada es una versión simplificada y funcional del sistema que incluye solo las características esenciales para satisfacer las necesidades iniciales de los usuarios. El MVP permite lanzar el proyecto rápidamente, validar la tecnología y obtener retroalimentación temprana, con el objetivo de evolucionar el producto basado en resultados reales.

### Pasos para desarrollar un MVP en visión computarizada

1. **Definir el problema y el objetivo del proyecto**

- Establece con claridad qué problema resolverá tu MVP y qué resultados esperas obtener. Por ejemplo, si el proyecto es para detectar objetos en imágenes de seguridad, el MVP puede enfocarse en detectar solo ciertos tipos de objetos (como personas o vehículos) sin incluir una gran variedad de clases de objetos.

2. **Seleccionar las funcionalidades básicas**

- Un MVP en visión computarizada suele incluir únicamente las funcionalidades necesarias para que el sistema cumpla su propósito. Por ejemplo:

- **Clasificación de imágenes**: Clasificar imágenes en un conjunto limitado de categorías.

- **Detección de objetos**: Identificar la presencia y ubicación de objetos específicos en una imagen o video.

- **Reconocimiento de texto (OCR)**: Extraer texto de imágenes si el proyecto lo requiere.

- **Segmentación de imágenes**: Identificar y separar regiones de interés en una imagen, si es un aspecto clave.

- Excluye funciones avanzadas (como detección multi-objeto compleja o segmentación detallada) para mantener el MVP simple y funcional.

3. **Elegir el modelo y la tecnología de visión computarizada**

- Selecciona un modelo preentrenado de redes neuronales (como ResNet, YOLO, o MobileNet) que se adapte bien a las necesidades del proyecto. Utilizar un modelo preentrenado es común en los MVP, ya que reduce los tiempos y costos de entrenamiento.

- Decide si tu MVP funcionará en dispositivos locales, en la nube o en dispositivos móviles. Esto depende de dónde necesiten acceso los usuarios y de los recursos de cómputo disponibles.

4. **Definir el conjunto de datos inicial**

- Selecciona un conjunto de datos representativo y de tamaño manejable para entrenar y probar el MVP. Si no tienes datos propios, puedes empezar con conjuntos de datos públicos relevantes (como COCO o ImageNet).

- Para proyectos de detección de objetos, marca los objetos necesarios en un conjunto de imágenes reducido para obtener anotaciones de entrenamiento. Esto permite que el sistema pueda ser entrenado y probado sin requerir un gran volumen de datos.

5. **Entrenar y ajustar el modelo**

- Entrena el modelo en el conjunto de datos elegido y ajusta los hiperparámetros para optimizar su desempeño. Mantén el modelo simple para el MVP; no es necesario lograr una precisión perfecta en esta etapa.

- Realiza pruebas para asegurar que el modelo cumpla con los requisitos básicos y que sus predicciones sean razonables. Toma nota de los errores comunes para considerar ajustes en futuras versiones.

6. **Implementar una interfaz básica**

- El MVP debe incluir una interfaz simple para que los usuarios puedan interactuar con el sistema. Esto podría ser una interfaz gráfica (GUI), una API o una aplicación móvil básica, dependiendo del caso de uso.

- Asegúrate de que la interfaz permita al usuario cargar imágenes o videos y visualizar los resultados (como la clasificación o la detección de objetos). Un diseño simple y funcional es suficiente en esta etapa.

7. **Evaluar el rendimiento y recolectar retroalimentación**

- Una vez que el MVP está funcionando, realiza pruebas en condiciones reales y recopila retroalimentación de los usuarios para identificar puntos de mejora.

- Evalúa tanto el rendimiento del modelo (precisión, velocidad de inferencia, robustez) como la experiencia de usuario en la interfaz.

8. **Establecer métricas de éxito**

- Define métricas que te ayuden a evaluar si el MVP cumple con los requisitos mínimos, como la precisión del modelo, la tasa de detección correcta, el tiempo de procesamiento, o la facilidad de uso.

- Usa estas métricas para guiar las mejoras del sistema y determinar si el MVP es lo suficientemente bueno como para avanzar a una fase de desarrollo más avanzada.

### Ejemplos de MVP en visión computarizada

1. **MVP de detección de objetos para vigilancia de seguridad**

- El MVP puede enfocarse en detectar solo personas en imágenes de cámaras de seguridad y alertar cuando una persona ingresa a un área restringida.

2. **MVP para reconocimiento de productos en retail**

- Un MVP para una aplicación de retail podría detectar solo las categorías de productos más vendidas (como bebidas y snacks), permitiendo probar la funcionalidad en el entorno del cliente.

3. **MVP de OCR para digitalización de documentos**

- En un proyecto de digitalización de documentos, el MVP puede enfocarse en extraer solo texto en inglés o en realizar reconocimiento en un conjunto limitado de plantillas de documentos.

4. **MVP de clasificación de imágenes para diagnóstico médico**

- Un MVP en el área médica podría clasificar imágenes en categorías básicas (por ejemplo, imágenes que requieren revisión médica versus imágenes normales), facilitando un primer filtro sin una precisión diagnóstica avanzada.

### Ventajas de desarrollar un MVP en visión computarizada

- **Reducción de tiempo y costo**: Al enfocarse en características esenciales, el desarrollo es más rápido y con menos recursos.

- **Validación temprana del concepto**: Permite comprobar si el proyecto es viable antes de hacer una inversión más grande.

- **Retroalimentación para mejoras**: Probar el MVP con usuarios reales ayuda a entender las mejoras necesarias y evitar características que no agregan valor.

- **Iteración sobre el producto**: Un MVP permite actualizar el producto en fases, incorporando cambios de acuerdo con los comentarios de los usuarios y mejoras tecnológicas.

El MVP en visión computarizada es un primer paso esencial para desarrollar un producto completo, permitiendo probar la funcionalidad y optimizar el sistema para que responda a las necesidades reales de los usuarios.

Jhon Freddy Tavera Blandon

student•

Un MVP de detección de vehículos debería enfocarse en las funciones esenciales como la detección básica de objetos en videos, el uso de modelos preentrenados y la visualización de resultados simples. Al ir avanzando se puedes añadir funcionalidades más avanzadas, pero el MVP te permitirá validar rápidamente la idea y obtener retroalimentación crítica sin una inversión excesiva en tiempo y recursos.

Robert Junior Buleje del Carpio

student•

A mi también me gusta esa filosofía, primero trato hacer de que el código funcione y luego voy implementando los detalles para que sea más amigable con el usuario.

Producto mínimo viable en computer vision

Comprender la visión computarizada

¿Por qué aprender computer vision?

¿Qué es la visión computarizada?

Tipos de visión computarizada

Introducción a object detection: clasificación + localización

Aprende a identificar problemas

Dimensionamiento de proyecto de visión computarizada

Cómo definir los tiempos de tu proyecto

Cómo costear tu proyecto

Cómo identificar los roles necesarios en el proyecto

Producto mínimo viable en computer vision

Obtención y procesamiento de los datos

Obtención de datos para tu proyecto

Limpieza de la base de datos

Distribución de datos en entrenamiento y testeo

Etiquetado de los datos de test

Etiquetado de los datos de train

Transforma tu base de datos a TFRecord

Transformar CSV a TFRecord

Entrena, testea y optimiza tus modelos

Librerías a importar durante fase de entrenamiento

Fase de entrenamiento del modelo

Balanceo de imágenes y data augmentation

Entrena, evalua y optimiza con TensorBoard

Validación de modelo en un entorno de ejecución

Re-entrenamiento del modelo para obtener mejores resultados

Seguimiento de centroides con OpenCV

Configuración de los centroides con OpenCV

Algoritmo de dirección y conteo con OpenCV

Crea un ciclo de entrenamiento de tu modelo: MLOps

Producto con visión computarizada en producción

Prepara tu entorno en Google Cloud Platform

Carga y preprocesamiento de modelos

Postprocesamiento de modelos

Despliega y consume tu modelo en producción

Bonus: aprende a apagar las máquinas de GCP para evitar sobrecostos

Siguientes pasos en inteligencia artificial

Siguientes pasos en inteligencia artificial

Comparte tu proyecto de detección de vehículos en carretera y certifícate