Detección de objetos
De clasificar a localizar
Detección combina clasificación y regresión: para cada objeto se predice una clase y una caja que lo encierra. Una imagen puede contener muchos objetos de distintas escalas y posiciones.
Regiones propuestas
- Barrer la imagen con ventanas a varias escalas es caro e impreciso.
- Los dos etapas generan primero regiones candidatas y luego las clasifican.
- Las propuestas de calidad concentran el esfuerzo donde puede haber objeto.
Los dos estadios
Los detectores de dos etapas, como R-CNN, proponen regiones y las refina una a una: muy precisos pero lentos. Separar propuesta y clasificación favoreció la exactitud histórica.
Una sola etapa
Los one-stage como YOLO y SSD predicen cajas y clases en un único pase sobre una rejilla: rapidísimos, ideales para tiempo real. Antes sacrificaban precisión; la brecha se ha estrechado mucho.
IoU: qué tan bien puesto
El índice de unión IoU mide la superposición entre la caja predicha y la real. Superar un umbral —a menudo 0,5— cuenta la detección como acierto; por debajo, se pierde o se solapa mal.
Confianza y supresión
El modelo propone muchísimas cajas redundantes; la supresión no máxima conserva solo la de mayor confianza de cada grupo, descartando duplicados sobre el mismo objeto.
mAP: la métrica reina
La precisión media resume, cruzando umbrales de IoU y clases, cuánto acierta el detector. Balancea localización y clasificación en un solo número comparable entre modelos.
Precisión y exhaustividad
Umbral de confianza alto da precisión pero pierde objetos; bajo recupera pero genera falsos positivos. La curva precisión-exhaustividad y su área reflejan ese equilibrio.
Elegir detector
Para vigilancia en tiempo real importan los fotogramas por segundo de un one-stage; para diagnóstico médico prima la precisión de un dos etapas o un detector grande. El escenario manda.
Errores frecuentes
- Confiar en la exactitud sin mirar el IoU y contar como acierto una caja mal ajustada al objeto.
- Olvidar la supresión no máxima y dejar decenas de cajas duplicadas sobre un mismo objeto.
- Entrenar solo con objetos grandes y que el detector falle con los pequeños o muy juntos.
Ejemplo resuelto: contar coches con un detector
Quieres contar vehículos en un vídeo y montas un detector paso a paso:
- Etiquetas cajas alrededor de cada coche en un conjunto variado de imágenes.
- Entrenas un one-stage rápido que predice cajas y clases en un pase.
- Fijas un umbral de confianza y aplicas supresión no máxima.
- Mides la calidad con IoU y calculas el mAP en validación.
- Ajustas umbral y aumento según fallos en objetos pequeños o solapados.
¿Para qué sirve en la realidad?
La detección alimenta lectura de matrículas, conteo de tráfico, inspección industrial o seguridad; saber elegir entre velocidad y precisión según el escenario es lo que hace útil un detector desplegado.
El índice IoU en detección de objetos mide:
Los detectores de una sola etapa suelen priorizar la velocidad frente a los de dos etapas.
Detección
Ordena el flujo típico de un detector de objetos:
Imagen
Proponer
Clasificar
Suprimir
Detección de objetos
Tarea, familias de detectores y métricas.
Une cada término de detección con su significado.
Qué y dónde
# Detección de objetos ## Dos etapas ### propone regiones ### muy preciso ## Una etapa ### un solo pase ### rapido tipo YOLO ## Cajas ### IoU ### supresion no maxima ## Métrica ### mAP ### curva precision exhaustividad
You Only Look Once
El detector de una etapa que mira la imagen una sola vez.
Para un coche autónomo necesitas detectar peatones en tiempo real. ¿Elegirías un detector de una o de dos etapas, y qué métrica vigilarías más: la precisión o la latencia? Justifica.