¿Qué significa época en un sistema de visión artificial?

19 de junio de 2025

COMPARTIR TAMBIÉN

Una época en un sistema de visión artificial marca un ciclo completo en el que el modelo revisa cada imagen del conjunto de entrenamiento. Cada época ofrece al sistema una nueva oportunidad para aprender y mejorar su precisión. Seleccionar el número correcto de épocas ayuda al modelo a evitar errores y obtener mejores resultados. Por ejemplo, los investigadores probaron un sistema de visión artificial con diferentes cantidades de épocas en la segmentación de resonancia magnética cardíaca. La siguiente tabla muestra cómo cambió el rendimiento del modelo a medida que aumentaba el número de épocas:

Épocas	Puntuación IoU	Diferencia	Tiempo de segmentación (s) para 366 imágenes	Observación clave
50	0.86	0.11	154	Buen rendimiento inicial
100	0.87	0.11	160	Precisión mejorada
150	0.88	0.10	100	Mejor rendimiento; equilibrio óptimo antes del sobreajuste
200	0.87	0.11	107	Se observó un ligero sobreajuste

Los resultados muestran que el sistema de visión artificial de época alcanzó su máxima precisión después de 150 épocas. Este ejemplo destaca por qué comprender la función de cada época es vital para cualquiera que trabaje con un sistema de visión artificial de época.

Puntos clave

Una época significa que el modelo ha visto cada imagen del conjunto de entrenamiento una vez, lo que lo ayuda a aprender y mejorar con cada ciclo.
Elegir el número correcto de épocas es crucial para evitar el subajuste (muy pocas épocas) y el sobreajuste (demasiadas épocas).
La detención temprana ayuda a encontrar la mejor cantidad de épocas al detener el entrenamiento cuando el modelo deja de mejorar con datos nuevos.
El entrenamiento utiliza lotes e iteraciones; una época equivale a procesar todos los lotes una vez, lo que ayuda al modelo a aprender paso a paso.
Una buena calidad de datos, clases equilibradas y un ajuste cuidadoso de las épocas dan como resultado datos más precisos y confiables. modelos de visión artificial.

Sistema de visión artificial Epoch

Definición de época

Una época en un sistema de visión artificial significa que el modelo ha visto todas las imágenes del conjunto de datos de entrenamiento una vez. Durante cada época, el modelo procesa todos los datos, aprende de sus errores y actualiza su configuración interna. Este ciclo se repite muchas veces, lo que permite al modelo mejorar sus predicciones con cada paso. En el contexto del aprendizaje automático de épocas, el término "época" se refiere a este recorrido completo por el conjunto de datos de entrenamiento. El proceso ayuda al modelo a reconocer patrones, formas y características en las imágenes. Cada época ofrece al algoritmo de aprendizaje una nueva oportunidad para ajustarse y ser más preciso.

La sistema de visión artificial de época Se basa en esta exposición repetida a los datos. Por ejemplo, en el sistema de visión artificial IGLOO, los investigadores entrenaron un modelo YOLOv8 durante 200 a 500 épocas. La tabla a continuación muestra cómo este enfoque mejoró la precisión y la robustez:

Aspecto	Detalles
System	Sistema de visión artificial IGLOO para el índice de solubilización de bacterias solubilizadoras de fosfato
Modelo	Segmentación semántica de YOLOv8
Épocas	200-500
Tamaño del lote	4
Resolución de entrada	800 × 800 píxeles
Exactitud	>90% para segmentación de colonias bacterianas y halos
Puntuación F1	0.87-0.90
Error relativo	<6% en comparación con las mediciones manuales
Riesgo de sobreajuste	Riesgo leve en 500 épocas, ganancias marginales más allá de 200 épocas
Método de validación	Matrices de confusión, comparación con mediciones manuales
Impacto práctico	Cuantificación objetiva, eficiente y reproducible que reduce la variabilidad del observador

Esta tabla muestra que aumentar el número de épocas en el sistema de visión artificial por épocas puede aumentar la precisión, pero demasiadas épocas pueden generar sobreajuste.

Importancia

Las épocas desempeñan un papel fundamental en el aprendizaje automático por épocas. Cada época permite al modelo aprender de todo el conjunto de datos de entrenamiento, realizando pequeñas mejoras con cada ciclo. El proceso de aprendizaje depende de cuántas veces el modelo accede a los datos. Si el modelo se entrena con muy pocas épocas, podría no aprender lo suficiente y no alcanzar el ajuste necesario. Si se entrena con demasiadas épocas, podría memorizar el conjunto de datos de entrenamiento y sobreajustarse, perdiendo así la capacidad de generalizar a nuevas imágenes.

Los investigadores suelen empezar con un número determinado de épocas, como 50 o 100, y luego monitorizan el rendimiento del modelo. Ajustan el número de épocas en función de los resultados, a veces utilizando la detención temprana para evitar el sobreajuste. Este método detiene el entrenamiento cuando el rendimiento del modelo con nuevos datos deja de mejorar. Los siguientes pasos describen un enfoque típico:

Establezca un número inicial de épocas para el sistema de visión artificial de épocas.
Entrene el modelo y observe los resultados del entrenamiento y la validación.
Aumente las épocas si el modelo no se ajusta lo suficiente, o utilice una detención temprana si se ajusta en exceso.
Repita el proceso, ajustando el número de épocas para obtener los mejores resultados.

Consejo: La normalización por lotes puede ayudar al modelo a aprender con mayor rapidez y fiabilidad. Estandariza los datos dentro del modelo durante el entrenamiento, lo que puede reducir el número de épocas necesarias y mejorar la generalización.

La importancia de las épocas también se refleja en estudios del mundo real. Por ejemplo, un sistema de aprendizaje profundo entrenado para 30 épocas en imágenes con diferentes condiciones de iluminación mostró que una buena iluminación y suficientes épocas conducían a una mayor precisión. La red entrenada con buena iluminación alcanzó una precisión del 95.71 %, mientras que la entrenada con poca iluminación tuvo un rendimiento inferior. Este resultado destaca que, si bien las épocas son vitales, la calidad del conjunto de datos de entrenamiento también es importante.

Proceso de entrenamiento

Aprendizaje automático de época

En el proceso de entrenamiento de un sistema de visión artificial, el concepto de aprendizaje automático por épocas desempeña un papel fundamental. Una época marca un recorrido completo por todo el conjunto de datos de entrenamiento. Durante cada época, el modelo neuronal revisa cada imagen y aprende de sus errores. Este ciclo se repite muchas veces, lo que ayuda al modelo a mejorar su capacidad para reconocer patrones y características.

La proceso de entrenamiento Suele utilizar múltiples épocas. Cada vez que el modelo neuronal completa una época, mejora su rendimiento. Por ejemplo, entrenar una red neuronal convolucional con un conjunto de datos grande como ImageNet puede requerir cientos o incluso miles de épocas. Esto permite que el modelo neuronal pase del aprendizaje de formas simples a la comprensión de detalles complejos en imágenes. Si el proceso de entrenamiento utiliza muy pocas épocas, el modelo neuronal puede subadaptarse y pasar por alto patrones importantes. Demasiadas épocas pueden causar sobreajuste, donde el modelo neuronal memoriza los datos de entrenamiento y no funciona correctamente con nuevas imágenes.

Nota: Técnicas como la detención temprana y las programaciones de tasa de aprendizaje ayudan a controlar la cantidad de épocas y mejoran el proceso de entrenamiento.

La relación entre épocas, lotes e iteraciones es importante en el aprendizaje automático de épocas:

El conjunto de datos de entrenamiento se divide en grupos más pequeños llamados lotes.
Cada lote pasa por el modelo neuronal uno a la vez.
Una iteración significa que el modelo neuronal ha procesado un lote.
Una época significa que el modelo neuronal ha visto todos los lotes una vez.

Por ejemplo, si un conjunto de datos contiene 1000 imágenes y el tamaño del lote es 100, hay 10 lotes por época. Si el proceso de entrenamiento se ejecuta durante 20 épocas, el modelo neuronal completa 200 iteraciones.

Una analogía sencilla: piensa en el aprendizaje como si leyeras un libro. Cada época es como leer el libro completo una vez. Cada lote es un capítulo. Cada iteración es leer un capítulo. Múltiples épocas implican leer el libro varias veces para comprenderlo mejor.

Actualizaciones de parámetros

Durante el aprendizaje automático de época, el modelo neuronal actualiza sus parámetros después de cada lote. Estas actualizaciones ayudan al modelo a aprender y mejorar con cada iteración. El proceso de entrenamiento utiliza diferentes estrategias para gestionar estas actualizaciones:

La descomposición basada en el tiempo reduce la tasa de aprendizaje a lo largo de las épocas, lo que permite realizar grandes cambios al principio y pequeños cambios después.
La descomposición escalonada reduce la tasa de aprendizaje después de una cantidad determinada de épocas para lograr un mejor ajuste.
Los métodos adaptativos como Adam o RMSprop ajustan la tasa de aprendizaje de cada parámetro, haciendo que el aprendizaje sea más preciso.
El calentamiento de la tasa de aprendizaje comienza lento y aumenta, lo que ayuda a que el modelo neuronal se estabilice al comienzo del entrenamiento.
Las tasas de aprendizaje cíclicas cambian la tasa de aprendizaje hacia arriba y hacia abajo, lo que ayuda al modelo neuronal a escapar de malas soluciones.

Estos métodos ayudan al algoritmo de aprendizaje a encontrar la configuración óptima para el modelo neuronal. El proceso de entrenamiento repite las actualizaciones de parámetros varias veces durante múltiples épocas, lo que mejora la precisión y la generalización.

Rendimiento del modelo

Underfitting y Overfitting

El número de épocas tiene un gran impacto en la capacidad de aprendizaje de un modelo. Si un modelo se entrena con muy pocas épocas, es posible que no aprenda lo suficiente de los datos. Este problema se denomina subajuste. Si un modelo se entrena con demasiadas épocas, puede empezar a memorizar los datos de entrenamiento en lugar de aprender patrones. Esto se denomina sobreajusteAmbos problemas pueden reducir la precisión y hacer que el modelo sea menos útil para nuevas imágenes.

A continuación se muestra una tabla que muestra la diferencia entre subajuste y sobreajuste:

Aspecto	Características de subadaptación	Características de sobreajuste
Comportamiento de pérdida de entrenamiento	Aumenta gradualmente con más ejemplos de entrenamiento; puede mostrar una caída repentina al final (no siempre)	Muy bajo al principio; permanece bajo o aumenta ligeramente con más ejemplos de entrenamiento
Comportamiento de pérdida de validación	Inicialmente alta; disminuye gradualmente pero no mejora significativamente; puede aplanarse o descender al final	Inicialmente alta; disminuye gradualmente pero no se aplana, lo que indica una posible mejora.
Brecha entre la pérdida de entrenamiento y la de validación	Las pérdidas pequeñas o de entrenamiento y validación están cerca de terminar.	Gran brecha; pérdida de entrenamiento mucho menor que la pérdida de validación
Interpretación	El modelo es demasiado simple y no aprende lo suficiente de los datos (alto sesgo)	El modelo es demasiado complejo y se ajusta al ruido en los datos de entrenamiento (alta varianza)
Relación con las épocas de formación	El aumento de las épocas no mejora significativamente la pérdida de validación	El aumento de épocas sin control conduce a un sobreajuste indicado por la divergencia en las pérdidas.

El subajuste ocurre cuando el modelo es demasiado simple y no puede aprender lo suficiente, por lo que tanto el error de entrenamiento como el de validación siguen siendo altos.
El sobreajuste ocurre cuando el modelo es demasiado complejo y se entrena durante demasiadas épocas, por lo que funciona bien con datos de entrenamiento pero mal con datos nuevos.
El número de épocas Ayuda al modelo a aprender lo suficiente para mejorar la precisión y reduce los errores en las imágenes nuevas.
A medida que aumenta el tamaño del conjunto de datos, el modelo a menudo necesita menos épocas porque ve más ejemplos en cada pasada.

Parada anticipada

La detención temprana es un método útil para determinar el número correcto de épocas. Monitorea el rendimiento del modelo en un conjunto de validación y detiene el entrenamiento cuando el error de validación empieza a aumentar. Este método evita que el modelo memorice los datos de entrenamiento y le ayuda a generalizar mejor.

La detención temprana mejora la generalización y ahorra tiempo al detener el entrenamiento cuando el modelo alcanza su máxima precisión.
Es fácil de usar y funciona bien con redes neuronales profundas.
La detención temprana reduce los errores al detener el entrenamiento antes de que comience el sobreajuste.
Los estudios demuestran que la parada temprana puede lograr una alta precisión y detener el entrenamiento en el momento adecuado, incluso más rápido que otros métodos.

Consejo: Para elegir el número correcto de épocas, comience con un valor pequeño, monitoree el error de validación y utilice la detención temprana. Ajuste el número de épocas según el rendimiento del modelo. Para conjuntos de datos grandes, pruebe primero con menos épocas, ya que el modelo aprende de más datos en cada ciclo.

Ejemplos prácticos

Clasificación de imagen

Clasificación de la imagen Las tareas a menudo dependen de una cuidadosa selección de épocas para lograr los mejores resultados. En un ejemplo real, los ingenieros entrenaron un modelo con el conjunto de datos ImageNet-1K. Comenzaron con 100 épocas para equilibrar el aprendizaje y evitar tanto el subajuste como el sobreajuste. Un número insuficiente de épocas provocó que el modelo pasara por alto patrones importantes, mientras que un exceso desperdició recursos y provocó la memorización de los datos de entrenamiento. El equipo utilizó ajustes de tamaño de lote y cargadores de datos para mezclar y agrupar imágenes, lo que ayudó al modelo a aprender eficientemente. También utilizaron el optimizador Adam para la actualización de parámetros.

Para evitar perder el progreso durante los entrenamientos largos, el equipo guardó los puntos de control del modelo después de cada época. Esta práctica les permitió reanudar el entrenamiento si era necesario. Otro grupo se enfrentó a... sobreajuste Al entrenar durante demasiadas épocas, se solucionó esto mediante una llamada de parada temprana en Keras. Esta herramienta monitoreó la pérdida de validación y detuvo el entrenamiento cuando el modelo dejó de mejorar. Este enfoque ayudó al modelo a generalizarse mejor a nuevas imágenes.

Consejo: Guardar puntos de control y utilizar la detención temprana pueden hacer que el entrenamiento de clasificación de imágenes sea más confiable y eficiente.

Detección de objetos

Los modelos de detección de objetos también dependen del número adecuado de épocas para un rendimiento óptimo. En un estudio, investigadores entrenaron modelos de detección para 200 épocas. Descubrieron que los pasos de preprocesamiento de imágenes, como el relleno, el redimensionamiento y la rotación, se complementaban con el entrenamiento basado en épocas para mejorar la precisión. El equipo midió los resultados mediante curvas de precisión-recuperación y la Precisión Media Promedio (mAP). Las imágenes rellenadas y rotadas generaron mejores predicciones de los cuadros delimitadores y menos objetos omitidos.

Una tabla puede ayudar a resumir el impacto del preprocesamiento y las épocas en la precisión de la detección:

preprocesamiento	Épocas	Puntuación mAP	Observación
N/A	200	0.72	Rendimiento de referencia
Relleno	200	0.78	Cuadros delimitadores mejorados
Rotación	200	0.76	Mejor detección de objetos

Estos hallazgos demuestran que tanto la selección de época como los pasos de preprocesamiento desempeñan un papel fundamental en las tareas de detección. Una planificación cuidadosa permite una mayor precisión y mejores resultados en sistemas reales.

La selección del número correcto de épocas determina el éxito de los sistemas de visión artificial. Un ajuste cuidadoso ayuda a evitar el sobreajuste y el subajuste de los modelos. La siguiente tabla muestra cómo un etiquetado riguroso, la ingeniería de características y la evaluación de modelos contribuyen a obtener resultados robustos:

Aspecto	Detalles
Etiquetado de conjuntos de datos	Más de 400,000 épocas etiquetadas, que cubren el 85.15% del total de épocas, con una distribución de clases equilibrada.
Evaluación del modelo	XGBoost alcanzó una precisión equilibrada de 0.990 y una sólida calibración en conjuntos de datos externos.
Validación cruzada	La validación cruzada estratificada de 10 pliegues garantizó la robustez del modelo.

Más épocas no siempre significan mejor rendimiento.
Lo más importante son los datos equilibrados, la calidad de las características y las pruebas en el mundo real.
Una selección cuidadosa de la época conduce a modelos de visión artificial fiables y precisos.

Los lectores pueden utilizar estos conocimientos para construir proyectos de visión artificial más sólidos.

Preguntas Frecuentes

¿Qué es una época en un sistema de visión artificial?

Una época significa que el modelo ha visto todas las imágenes del conjunto de entrenamiento una vez. Cada época ayuda al modelo a aprender y mejorar sus predicciones.

¿Cómo afecta el número de épocas a la precisión del modelo?

Un número insuficiente de épocas puede provocar un subajuste. Un número excesivo puede provocar un sobreajuste. El número adecuado ayuda al modelo a aprender patrones sin memorizar los datos.

¿Qué es la parada temprana y por qué es útil?

La detención temprana monitorea el rendimiento del modelo con nuevos datos. Detiene el entrenamiento cuando la precisión deja de mejorar. Este método evita el sobreajuste y ahorra tiempo.

¿Cómo se relacionan los lotes y las iteraciones con las épocas?

Un lote es un grupo pequeño de imágenes. Una iteración ocurre cuando el modelo procesa un lote. Una época significa que el modelo ha visto todos los lotes una vez.

¿Puede funcionar el mismo número de épocas para cada conjunto de datos?

No. Distintos conjuntos de datos requieren un número distinto de épocas. Los conjuntos de datos más grandes suelen necesitar menos épocas porque el modelo aprende de más ejemplos cada vez.