Introducción a object detection: backbone, non-max suppression y métricas

Detección de objetos

Mario Alexander Vargas Celis

Estudiante

La detección de objetos es una técnica clave en la visión por computadora que permite identificar y localizar objetos en imágenes o videos. Para comprender su funcionamiento, es importante conocer algunos conceptos básicos como el **backbone**, **non-max suppression (NMS)** y las **métricas de evaluación**.

### 1. **Backbone**

El *backbone* es una red neuronal pre-entrenada que se utiliza como base para extraer características de las imágenes. Esta red actúa como un extractor de características profundo y convierte una imagen de entrada en un conjunto de mapas de características que se pueden procesar para detectar objetos.

**Ejemplos de backbones comunes:**

- **ResNet**: Una red residual que facilita el entrenamiento de redes muy profundas gracias a sus conexiones residuales.

- **VGG**: Una red más sencilla pero eficaz para la extracción de características, aunque es más costosa computacionalmente.

- **MobileNet**: Ideal para aplicaciones en dispositivos con recursos limitados debido a su eficiencia.

- **EfficientNet**: Un backbone más moderno que ofrece un buen equilibrio entre precisión y rendimiento computacional.

### 2. **Non-Max Suppression (NMS)**

El *Non-Max Suppression* es un proceso utilizado para reducir la cantidad de cajas delimitadoras superpuestas. Cuando un modelo de detección de objetos predice múltiples cajas para un mismo objeto, NMS selecciona la caja con la puntuación más alta y elimina las otras si su área de superposición excede un umbral definido.

**Funcionamiento de NMS:**

1. Se ordenan todas las cajas predictivas por la puntuación de confianza en orden descendente.

2. Se selecciona la caja con la puntuación más alta y se añade al resultado final.

3. Se eliminan las cajas que tienen un IoU (Intersección sobre Unión) mayor que un umbral predefinido con la caja seleccionada.

4. Se repite el proceso hasta que no queden más cajas por evaluar.

**Ventaja**: NMS ayuda a reducir las detecciones redundantes, permitiendo un resultado más claro y preciso.

### 3. **Métricas de Evaluación**

Para medir el rendimiento de los modelos de detección de objetos, se utilizan varias métricas, siendo las más comunes:

- **IoU (Intersección sobre Unión)**: Es la métrica clave para determinar la precisión de las predicciones. Mide la superposición entre la caja predictiva y la caja de verdad de campo. Se calcula como el área de intersección dividido por el área de unión de ambas cajas. Un IoU de 1 significa que la predicción es perfecta.

- **mAP (mean Average Precision)**:

- **AP (Average Precision)**: Calcula el área bajo la curva de precisión-recall para una clase específica.

- **mAP**: Es el promedio de APs calculado para todas las clases. Una métrica de evaluación común en la detección de objetos que proporciona una idea del rendimiento general del modelo.

- **Precisión y Recall**:

- **Precisión**: Mide la cantidad de verdaderos positivos sobre todos los positivos predichos. Una alta precisión indica pocas detecciones falsas positivas.

- **Recall**: Mide la cantidad de verdaderos positivos sobre todos los positivos reales. Un alto recall indica que se detectan la mayoría de los objetos presentes.

**Ejemplo de Evaluación**:

Un modelo con un mAP alto es capaz de detectar y localizar objetos con precisión y consistencia, lo cual es esencial en aplicaciones como la vigilancia, el análisis de imágenes médicas, la conducción autónoma y más.

### **Resumen**

- **Backbone**: Extrae características de las imágenes.

- **NMS**: Reduce las detecciones redundantes seleccionando las cajas más significativas.

- **Métricas de evaluación**: IoU, mAP, precisión y recall ayudan a medir el rendimiento de los modelos de detección.

Estos conceptos son la base para comprender y mejorar los modelos de detección de objetos y son fundamentales para quienes trabajan en aplicaciones de visión por computadora.

Introducción a object detection: backbone, non-max suppression y métricas

Introducción a Computer Vision

¿Qué es la visión computarizada y cuáles son sus tipos?

Detección de objetos

Introducción a object detection: sliding window y bounding box

Generando video de sliding window

Introducción a object detection: backbone, non-max suppression y métricas

Visualización de IoU en object detection

Tipos de arquitecturas en detección de objetos

Arquitecturas relevantes en object detection

Utilizando un dataset de object detection

Carga de dataset de object detection

Exploración del dataset de object detection

Visualización de bounding boxes en el dataset de object detection

Aumentado de datos con Albumentation

Implementando Albumentation en object detection

Visualizando imágenes con aumentado de datos

Utilizando un modelo de object detection pre-entrenado

Probar detección de objetos con modelo pre-entrenado

Fine-tuning en detección de objetos

Fine-tuning en detección de objetos: carga de datos

Fine-tuning en detección de objetos: data augmentation

Fine-tuning en detección de objetos: entrenamiento

Fine-tuning en detección de objetos: visualización de objetos

Segmentación de objetos

Introduciendo la segmentación de objetos

Tipos de segmentación y sus arquitecturas relevantes

¿Cómo es un dataset de segmentación?

Utilizando un dataset de segmentación de objetos

Visualización de nuestro dataset de segmentación

Creando red neuronal U-Net para segmentación

Entrenando y estudiando una red de segmentación

Generando predicciones con modelo de object segmentation

Un paso más allá

El estado de la cuestión en computer vision

Comparte tu proyecto de detección y segmentación de objetos para conducción autónoma y certifícate