Detección de objetosObject Detection

1Varios objetos a la vez, en una sola pasada

La clasificación de imágenes da una sola respuesta por foto. En la detección de objetos, ni siquiera está definido cuántas respuestas van a salir: puede que no haya ningún objeto, o pueden salir veinte. Ese "no se sabe cuántos hay" es justo lo que hace mucho más difícil el problema.

Uno de los métodos actuales más usados divide la foto en una cuadrícula y le pregunta a cada casilla, todas al mismo tiempo, "¿hay algo aquí?". Como se recorre la foto entera una sola vez y se reciben las respuestas de todas las casillas a la vez, el proceso es muy rápido. Es mucho más veloz que los métodos antiguos, que primero elegían lugares candidatos y examinaban cada uno por separado, y por eso ahora es posible que un recuadro siga a un objeto en un video de la cámara web.

Otro recurso que se ha usado mucho es preparar de antemano, en cada casilla, varios recuadros de muestra de distintos tamaños: uno alargado, uno achatado, uno casi cuadrado, y ajustar y mover cada uno un poco hasta que encaje con el objeto real. Encaja mucho mejor que dibujar el recuadro desde cero. Hoy también se usan mucho los métodos que calculan directamente la posición y el tamaño del recuadro de cada casilla, sin muestras.

2Cada respuesta trae tres cosas juntas

Una línea de resultado de la detección de objetos se ve algo así: "gato, arriba a la izquierda, ciento veinte de ancho por noventa de alto, seguridad 0.87". A diferencia de la clasificación, que solo da una etiqueta, aquí vienen juntas también la posición y el tamaño.

La seguridad es un valor que conviene vigilar de cerca. Si se muestran todos los recuadros, hasta los de baja seguridad, la pantalla queda cubierta de recuadros. Por eso solo se dejan los que superan cierto nivel: subir el umbral deja la pantalla más limpia, pero se pierden objetos borrosos; bajarlo atrapa más objetos, pero también agarra cosas que no son nada. Cuando en una herramienta de prueba ves un recuadro que aparece y desaparece parpadeando, es porque la seguridad está oscilando cerca de ese umbral.

3Ordena los recuadros superpuestos

Con estos métodos, casi nunca sale un solo recuadro por objeto. Como varias casillas vecinas ven el mismo objeto y cada una propone su propio recuadro, antes de ordenar la pantalla queda llena de recuadros parecidos, uno sobre otro.

Por eso primero se deja el recuadro con más seguridad y se borran los que se superponen mucho con él. Sobre lo que queda, se repite: dejar el que tenga más seguridad y borrar lo que se le superpone. También se puede ajustar cuánto solapamiento se tolera; si se pone muy estricto, a veces se borra por completo uno de dos objetos que están pegados uno junto al otro. Cuando en una foto de mucha gente desaparecen algunas personas, suele pasar justo en este paso.

4Qué es lo difícil

Los objetos pequeños son especialmente complicados. A medida que la imagen se achica capa tras capa, un objeto lejano queda reducido a apenas unas pocas casillas y su rastro se pierde. Por eso se agrega el truco de mirar a la vez una imagen grande y una pequeña para decidir.

Los objetos tapados también son difíciles. Hasta una persona duda hasta dónde dibujar el recuadro de una silla medio escondida. Si quien preparó los datos de entrenamiento no sigue siempre el mismo criterio, el modelo también se confunde. Y un modelo entrenado con una lista fija no encuentra con su propio nombre un objeto que no esté en ella. A veces lo deja pasar, y otras le pone la etiqueta de algo parecido de la lista (llamar caballo a una cebra). Por más raro que sea lo que le muestres a la cámara web, si no está en lo que el modelo aprendió, aparece un nombre equivocado o no aparece nada. Ya hay métodos nuevos que permiten indicar con palabras qué buscar y encuentran también objetos fuera de la lista.