VisionLabs encuentra cómo entrenar modelos de visión por computadora con 50 imágenes y sin programar

VisionLabs (parte de MWS AI) ha publicado la primera parte de una serie técnica sobre el desarrollo de Luna Line. Anastasia Belozerova, líder del equipo de investigación, cuenta con detalle cómo los ingenieros buscaron una "receta universal" para entrenar modelos de clasificación y qué resultó de ello.

Una plataforma para no especialistas

Luna Line es una plataforma no-code de visión por computadora creada por VisionLabs para usuarios sin conocimientos de programación. Un agrónomo, un técnico de producción, un controlador de calidad o un especialista en logística puede etiquetar un conjunto de imágenes, pulsar un botón y obtener un modelo de visión por computadora ya entrenado para su tarea concreta.

El requisito esencial del producto es que funcione con conjuntos de datos muy pequeños. El equipo trabaja con un escenario a partir de 50 imágenes, una limitación real de la mayoría de las empresas industriales, que no tienen ni el tiempo ni los especialistas para etiquetar miles de ejemplos. Esta limitación determina toda la dificultad del problema de ingeniería: las recetas estándar de los conjuntos de datos académicos no funcionan aquí.

La búsqueda de una receta universal

El objetivo del equipo es ambicioso: encontrar una única configuración de entrenamiento que ofrezca de forma estable buena calidad en cualquier conjunto de datos de clasificación. Si esa receta existe, la plataforma puede funcionar como una "caja negra": el usuario aporta los datos y el sistema configura todo lo demás.

Para contrastar hipótesis se construyó una metodología experimental estricta:

• Hipótesis: se formula una configuración concreta: arquitectura backbone, aumentos de datos, learning rate schedule, optimizador
• Prueba: la configuración se ejecuta en varios conjuntos de datos de distinta naturaleza, tamaño y ámbito
• Comparación: los resultados se contrastan con líneas base y con hipótesis anteriores
• Decisión: la configuración se acepta como "universal" o se descarta según el análisis

Este esquema permite avanzar de forma sistemática, y no por ensayo y error aleatorio, y reducir poco a poco el espacio de búsqueda hasta soluciones que realmente funcionan.

Por qué cambió la metodología

Una de las conclusiones clave de la serie fue inesperada: las configuraciones que resultaron mejores para clasificación no se trasladaban automáticamente a la segmentación. Al cambiar el tipo de tarea, el equipo comprobó que parte de las decisiones aceptadas antes había que revisarlas desde cero.

"Contaré qué hipótesis planteamos, cómo las comprobamos y por qué revisamos la metodología de los experimentos al pasar de una tarea a otra", anuncia

Belozerova.

De ahí surgió la conclusión de que la receta universal solo existe dentro de una misma clase de tareas. No hay transferencia directa entre tareas, pero sí algo valioso: la propia metodología de búsqueda resultó ser transferible. Se puede aplicar a la segmentación y la detección, empezando cada vez la "rama" experimental de nuevo, pero con un proceso de verificación de hipótesis bien construido.

La segunda parte de la serie, dedicada a la segmentación, se publicará más adelante.

Qué significa

VisionLabs muestra una apertura de ingeniería poco habitual en el mercado ruso de ML: la compañía publica no tesis de marketing, sino crónicas honestas de experimentos, con resultados negativos e hipótesis revisadas. Para quienes construyen sus propios pipelines de MLOps o herramientas no-code, es una referencia práctica valiosa, sobre todo en el trabajo con conjuntos de datos pequeños, donde los benchmarks académicos resultan casi inútiles.