Deep Learning: El Cerebro Entra en Acción
Superando los límites de la visión clásica con Redes Neuronales y Transfer Learning.
De la Heurística al Machine Learning
En el Día 1 descubrimos que las reglas matemáticas fijas se rompen ante la anatomía humana y las sombras dinámicas. Hoy, cambiamos de estrategia: vamos a estandarizar la entrada y a dejar que sea una Red Neuronal Convolucional (CNN) la que descubra los patrones. Pero con solo 81 imágenes en nuestro dataset, tenemos un reto inmenso por delante.
1. El Lienzo Perfecto: Preprocesamiento de Imagen
Para reducir la «varianza no deseada» y facilitar el trabajo a la IA, estandarizamos las imágenes crudas:
Normalización de Iluminación
Fijamos el fondo en un valor gris claro de 200 y la caja negra en 25.
Detección y Warp
Buscamos el panel con un umbral de 70 y rectificamos la perspectiva a 640×480 px.
Orientación Canónica
Segmentamos la mano y aplicamos un flip horizontal inteligente para que el brazo siempre entre por la izquierda.
2. Multiplicando los Datos: Data Augmentation
¿Cómo entrenamos una red neuronal con solo 81 imágenes? Creando ilusiones. Aplicamos transformaciones aleatorias para simular miles de escenarios distintos:
Recortes aleatorios (55%-100%) y rotaciones afines de hasta 18° para variabilidad general.
Rotaciones de 25°, traslaciones y RandomErasing (borrado aleatorio de hasta el 18% de la imagen) para forzar la robustez.
Como la geometría ya está corregida, reducimos los recortes (70%-100%) y eliminamos rotaciones diedrales.
3. El Duelo de Arquitecturas
SmallCNN
Modelo BaseUna red neuronal pequeña y básica construida desde cero. Su función es validar que las clases («si» y «no») son visualmente separables antes de usar artillería pesada.
MobileNetV3-Small
Transfer LearningUn modelo preentrenado en ImageNet. Descongelamos los últimos 2 o 3 bloques para que aprenda los rasgos de nuestra radiografía de luz sin olvidar su potente capacidad de extracción de características previas.
4. Configuración del Entrenamiento
Dividimos el dataset en 75% Entrenamiento (del cual 20% es para validación) y 25% Test. Para asegurar que el modelo no colapse, aplicamos estas reglas:
*El Label Smoothing evita que el modelo se vuelva excesivamente confiado, algo crucial cuando trabajas con muy pocos datos.
El Veredicto Final
El análisis de predicciones revela una verdad matemática ineludible en datasets pequeños: un solo error impacta un 5% en la precisión final del test.
La prioridad absoluta: Necesitamos capturar más datos. Un incremento de tan solo 10 imágenes representa un 12% más de información para nuestra red neuronal.
Gran trabajo