APPZYFY
Módulo 3advanced
🎯
Laboratorio de Detección de Objetos
60 min
1
Entender predicciones de cajas delimitadoras
2
Aprender fundamentos de arquitectura YOLO
3
Dominar conceptos de IoU y NMS
4
Aplicar detección de objetos a imágenes
Playground de Detección de Objetos
Aprende YOLO, R-CNN, bounding boxes, IoU y NMS
Guía de Aprendizaje
Intermedio⏱️ 30 min
Elige tu estilo de aprendizaje
¿Qué Hace?
Demuestra regresión de cajas delimitadoras y NMS. Cubre enfoques basados en anclas (Faster R-CNN) y sin anclas (YOLO, FCOS). Muestra métricas IoU, puntuación de confianza, clasificación multi-clase sobre ubicaciones espaciales.
¿Cómo Funciona?
- 1Dos etapas (Faster R-CNN): (1) Red de Propuesta de Regiones genera propuestas, (2) RoI pooling + clasificación
- 2Una etapa (YOLO): detección basada en cuadrícula, cada celda predice (x,y,w,h,conf,probs_clase)
- 3Codificación de caja delimitadora: Δx = (x-x_ancla)/w_ancla, Δy similar, Δw = log(w/w_ancla)
- 4Loss = L_loc (L1 suave en coords de caja) + L_conf (focal loss) + L_cls (cross-entropy)
- 5NMS: ordenar por confianza, suprimir cajas con IoU > umbral (0.5 típico)
- 6Métricas: mAP (Precisión Promedio media), umbrales IoU 0.5:0.95
Analogía Simple
Detección de objetos = localización (¿dónde?) + clasificación (¿qué?). Anclas son plantillas de cajas delimitadoras previas. NMS elimina detecciones duplicadas mediante supresión greedy.
Concepto Clave
Dos etapas: preciso pero lento (5-20 FPS). Una etapa: rápido pero menos preciso (30-150 FPS). Transformers modernos (DETR): predicción basada en conjuntos, no necesita NMS. Trade-off: velocidad vs accuracy.
Conceptos Fundamentales
IoU (Intersección sobre Unión)
Mide superposición de cajas: IoU = Área(superposición) / Área(unión). IoU > 0.5 = buena detección. Usado en NMS y mAP.
Supresión No Máxima
Remueve cajas duplicadas. Mantener caja de mayor confianza, suprimir otras con IoU > 0.5. Previene múltiples detecciones del mismo objeto.
Cajas Ancla
Plantillas de cajas pre-definidas (varias escalas/relaciones de aspecto). Modelo predice ajustes de offset. Faster R-CNN usa 9 anclas por ubicación.
Aplicaciones del Mundo Real
🚗
Autos Autónomos
Detectar peatones, vehículos, señales de tráfico, marcas de carril. Detección en tiempo real (30 FPS) en hardware edge (Nvidia Jetson).
🏥
Imagenología Médica
Detectar tumores, lesiones, anormalidades en rayos X/tomografías. Asiste radiólogos con tamizaje automatizado.
📹
Vigilancia por Video
Rastrear personas, detectar intrusiones, contar multitudes. Usado en sistemas de seguridad, analítica de retail.
Pruébalo Tú Mismo
Experimento de Umbral NMS
Umbral IoU 0.3 = supresión agresiva (menos cajas). IoU 0.7 = leniencia (más cajas). Ajustar según densidad de objetos.
Umbral de Confianza
Umbral 0.5 = balanceado. 0.8 = alta precisión, bajo recall. 0.3 = alto recall, baja precisión (muchos falsos positivos).
Errores Comunes a Evitar
❌ Sin NMS → detecciones duplicadas
¿Por Qué? Mismo objeto detectado múltiples veces. Siempre aplica NMS con umbral IoU 0.4-0.6.
❌ Escalas de ancla incorrectas
¿Por Qué? Anclas deben coincidir con tamaños de objetos en dataset. Analiza estadísticas de dataset (anchos/altos de cajas) para diseñar anclas.
car 95%
person 88%
Instrucciones
- 1. Selecciona una imagen de muestra
- 2. Elige una clase y dibuja cajas haciendo clic y arrastrando
- 3. Ajusta el umbral de confianza para filtrar detecciones
- 4. Habilita NMS para eliminar cajas duplicadas
- 5. Compara tus cajas con ground truth (verde = correcto)
Estadísticas de Detección
Cajas Totales
0
Después de NMS
0
IoU Promedio con GT
0.00
Arquitectura YOLO
YOLO divide imagen en grilla SxS. Cada celda predice B bounding boxes con (x,y,w,h,confianza,clase). Usa anchor boxes para diferentes formas de objetos.
IoU (Intersection over Union)
IoU = Área de Superposición / Área de Unión. IoU > 0.5 = buena detección, IoU > 0.7 = excelente.
NMS (Non-Maximum Suppression)
NMS elimina detecciones duplicadas: ordenar por confianza → mantener más alta → eliminar cajas superpuestas si IoU > umbral → repetir.
Score de Confianza
Probabilidad de que caja contenga objeto × precisión de ubicación. Mayor = más certeza.