Visión por computadora
Preprocesamiento, clasificación e inspección de imágenes. El trabajo puede incluir inferencia con PyTorch y una interfaz para comparar referencias, scores y decisiones.
IMÁGENES · SEÑALES · EVALUACIÓN
Machine learning aplicado a imágenes y señales.
Trabajo en preparación de datos, comparación de modelos y herramientas para revisar resultados. Partimos del problema y del tipo de error que importa, para construir algo que se pueda medir e integrar.
DroneRF · Mohammad Al-Sa’d et al. (2019) · CC BY 4.0 · Adaptación visual: Jeronimo Muñoz Larreta.
Del problema a una evaluación concreta
Procesamiento de señales
Preparación de ventanas, extracción de características y comparación de clasificadores. Mi trabajo con radiofrecuencia conecta las señales con una evaluación por archivos.
Evaluación de modelos
Reproducir resultados, revisar la separación de datos y analizar errores o umbrales. Una referencia inicial permite comparar lo que aporta cada cambio.
Ejemplos con datos y resultados visibles
Clasificación de señales de drones
El caso DroneRF enlaza fragmentos públicos con características, referencia y predicción guardada. Permite explorar cuatro clases y consultar el método y el alcance de la evaluación.
Inspección de imágenes térmicas
El visor de módulos solares muestra resultados guardados con ThermalNet/PyTorch: score, umbral y comparación con la referencia. Incluye ejemplos para inspeccionar aciertos y errores.
Cómo se plantea un proyecto
Uso previsto y datos
Definimos qué decisión tiene que ayudar a tomar el sistema y revisamos los datos disponibles: origen, formato, etiquetas y condiciones de uso.
Referencia y validación
Acordamos cómo separar y evaluar los datos, qué métricas mirar y qué errores importan. Comparo alternativas contra una referencia antes de ampliar el trabajo.
Prototipo e integración
Presento resultados inspeccionables y las limitaciones encontradas. El alcance puede incluir una API, un flujo de inferencia o una interfaz para utilizar y revisar el modelo.
Qué puede incluir la entrega
- Preparación de datos y pasos de preprocesamiento documentados
- Referencia inicial y comparación de modelos
- Métricas y herramientas para inspeccionar errores
- Código reproducible y flujo de inferencia
- API o interfaz de revisión, cuando formen parte del alcance
Preguntas para definir bien el trabajo
¿Necesito tener todos los datos preparados?
No necesariamente. Podemos empezar revisando qué existe, en qué formato está y qué falta. Esa revisión permite definir si el siguiente paso es preparar datos, etiquetar, evaluar un modelo o construir un prototipo.
¿Podés revisar un modelo que ya tenemos?
Sí. El trabajo puede enfocarse en reproducir el flujo, revisar el preprocesamiento, comparar resultados y entender errores o umbrales. Acordamos qué evidencia hace falta para evaluar esa mejora.
¿Cómo se define si el modelo funciona bien?
Depende del uso, los datos y el coste de equivocarse. Definimos una evaluación apropiada antes de desarrollar: una muestra que funciona no demuestra por sí sola el resultado en otro contexto.
¿También podés integrar el modelo en una aplicación?
Podemos incluir una API, un servicio de inferencia o una interfaz dentro del alcance. Esa integración requiere revisar entradas, salidas, latencia y recursos, además de las métricas del modelo.
¿Podemos colaborar a distancia?
Sí. Trabajo de forma remota, con comunicación en español o inglés y revisiones acordadas. Para el primer contacto alcanza con describir el uso previsto y el tipo de datos disponibles.
Hablemos del problema y los datos.
Podemos empezar por un prototipo, una evaluación de un modelo existente o su integración. Te respondo directamente por correo.