El tamaño de la máscara predice la calidad de la segmentación mejor que el número de ejemplos

El modelo delimita con precisión la puerta de un automóvil, pero no detecta el arañazo que hay sobre ella. Aun así, el AP medio parece tolerable: las piezas grandes aparecen con frecuencia, se reconocen bien y ocultan el fallo justo en aquello para lo que se creó el sistema.

Una comparación entre Mask R-CNN y YOLO11s-seg sobre 1.812 fotografías de producción anonimizadas de vehículos dañados reveló precisamente esta trampa. El conjunto contenía 29 clases y casi 25.000 objetos anotados, desde piezas de carrocería hasta abolladuras, grietas y corrosión. La principal conclusión práctica fue sencilla: antes de cambiar la arquitectura o encargar más anotaciones, hay que calcular cuántos píxeles ocupa el objeto de interés después de reducir la imagen al tamaño de entrada de la red.

La métrica media oculta los defectos pequeños

El conjunto original presenta un fuerte desequilibrio: la clase más frecuente aparecía más de 3.200 veces y la más rara, menos de 80. Sin embargo, el número de ejemplos apenas explicaba la calidad de las clases individuales: su correlación con el AP era de aproximadamente −0,23. En cambio, la relación con el logaritmo del área mediana de la máscara resultó notable: entre 0,68 y 0,74.

La causa se entiende sin matemáticas complejas. Después de reducir una fotografía a 512×384, un arañazo fino se convierte en una franja de apenas unos píxeles de ancho. Cerca del 41% de los defectos ocupan menos de ocho píxeles. La entropía cruzada binaria convencional promedia el error sobre la región, por lo que la señal de una máscara diminuta se pierde entre miles de píxeles restantes.

De ahí surge un efecto de producto poco deseable. Es posible duplicar el número de fotografías aleatorias y obtener sobre todo más puertas y parachoques que el modelo ya sabe localizar. En el experimento, ampliar la muestra de 100 a 200 imágenes añadió 0,096 de mIoU, mientras que pasar de 200 a 400 solo aportó 0,007. Anotarlo todo indiscriminadamente resultó mucho menos rentable que recopilar de forma selectiva defectos raros y pequeños.

Qué cambió realmente el resultado

El ajuste útil más barato fue sustituir la función de pérdida. La combinación de BCE y Dice elevó el AP general de 0,190 a 0,200. La mejora fue del 14,7% para los objetos pequeños y del 15,8% para las clases de defectos. Por primera vez, el AP de las grietas se mantuvo de forma estable por encima de cero. La arquitectura y la velocidad de inferencia no cambiaron.

Focal Loss sin Dice, por el contrario, redujo el AP a 0,177. En esta tarea resultó más importante tener en cuenta la intersección en relación con el área de la máscara que limitarse a aumentar la contribución de los píxeles difíciles.

El tamaño del paso de entrenamiento también fue crítico. Para Mask R-CNN con AdamW, el valor 1e-4 produjo un mIoU de 0,252; 5e-4, uno de 0,125; y 1e-3, apenas 0,029. Las actualizaciones demasiado grandes borraban rápidamente las características útiles obtenidas durante el preentrenamiento con COCO. El entrenamiento desde cero con 400 imágenes prácticamente no funcionó: el mIoU se quedó en torno a 0,001.

Las ejecuciones cortas también exigen cautela. Dos épocas conservaron el orden de las configuraciones exitosas, pero rebajaron considerablemente el techo de calidad. Tras 15 épocas, el mIoU de prueba aumentó aproximadamente de 0,286 a 0,373 y el AP, de 0,165 a 0,190. Este protocolo sirve para seleccionar configuraciones con rapidez, pero no para publicar la métrica final.

La arquitectura no salva un objeto invisible

Con el mismo código de evaluación, YOLO11s-seg obtuvo un AP de 0,193 frente al 0,189 de Mask R-CNN. La diferencia fue más visible en los objetos pequeños: 0,180 frente a 0,127. Sin embargo, YOLO trabajó con una entrada de 640×640, por lo que cada defecto conservó un tamaño algo mayor.

La diferencia de ingeniería es más importante que la diferencia de calidad. YOLO tiene 10,1 millones de parámetros frente a 46 millones; su archivo de pesos ocupa 19,6 MB frente a 184 MB; y procesar una imagen requiere aproximadamente 3,5–9,5 ms en lugar de 61–112 ms. Es un argumento de peso para un dispositivo periférico. Sin embargo, el AP medio específico de los defectos siguió siendo casi igual de bajo: 0,023 frente a 0,020. Cambiar de modelo no recuperó la información perdida al reducir el fotograma.

También existen limitaciones. Se trata de un único conjunto de producción principal, una sola familia de modelos y un presupuesto limitado de ejecuciones. La comparación de resoluciones todavía no demuestra una "ley de detectabilidad" universal, y parte de los experimentos con un segundo conjunto, CarDD, no se ha completado. Las diferencias de unas pocas centésimas sin intervalos de confianza podrían ser ruido.

El orden práctico de actuación es el siguiente: primero, medir el tamaño de los objetos tras transformar la entrada; después, elegir la resolución de la cámara y de la red; ajustar el umbral según el coste de las omisiones y los falsos positivos; y comprobar un paso de entrenamiento pequeño y una función de pérdida adecuada. Solo entonces se deben recopilar datos adicionales: no datos cualesquiera, sino aquellos que contengan casos realmente pequeños y poco frecuentes.