InGeniia

🦾 ¿Quieres entrenar un modelo de Inteligencia Artificial y no sabes por dónde empezar?

Empieza por el dataset. ✅

👁️‍🗨️ En modelos de visión artificial como YOLO26-seg, el dataset puede marcar la diferencia entre un modelo que realmente aprende y uno que solo es bueno en metricas de entrenamiento.

📂 Un buen dataset no solo se mide por cantidad de imágenes, sino por:

- diversidad de escenarios, iluminación, ángulos y escalas; 🌆
- equilibrio entre clases; ⚖️
- calidad de las anotaciones; ✏️
- número de instancias por clase; 🔢
- similitud con el entorno real donde el modelo será usado. 🛻

En este video veremos los conceptos necesarios para crear un dataset robusto y entrenar tu primer modelo de segmentación de instancias. 🚀

📌 Si quieres ver la clase completa, te dejo por aqui el link:
👉🏻 https://youtu.be/9tOsqImrGdE?si=lde7VoSsjpasUdHZ 👈🏻

Nueva clase de Deep Learning 🚀🧠

🦾 En esta segunda clase del módulo de Segmentación de Instancias vamos a pasar de la teoría a la acción:

✅ creación del dataset
✅ anotación de imágenes
✅ entrenamiento con YOLO26-seg
✅ predicción de máscaras
✅ configuración con archivos .yaml
✅ monitoreo de experimentos con MLflow

👨🏼‍💻 El entrenamiento personalizado de YOLO26-seg es uno de los pasos más importantes para sacar adelante nuestro servicio de identificación de baches en carretera.

Porque una cosa es detectar un objeto y otra muy distinta es entender exactamente su forma. 🫟

• Nueva clase: Entrenamiento de Segmentación de Instancias Personalizada 🫟
• ⁠Fecha: Viernes 09 de Mayo, 2026 📆
• ⁠Plataforma: www.inGeniia.co 🦾

¡Te esperamos!

El estado del arte en anotación de imágenes🧠💻

Automatizamos el proceso de anotación de mascaras para modelos de segmentación de instancias usando dos redes neuronales profundas. 🫟

🏗️ Hemos construido un flujo de auto-etiquetado zero-shot que separa el problema en dos fases:
- 💬 Semántica (Grounding DINO): Usamos atención cruzada multimodal para encontrar los objetos de interés a través de prompts de texto.
- 🤿 Morfología (SAM 2): Inyectamos esos tensores en la arquitectura Hiera ViT de Segment Anything 2. Su decodificador ligero ignora la semántica y se concentra puramente en la precisión topológica a nivel de píxel.

📌 ¡Olvídate de dibujar máscaras a mano frame por frame! Te dejo nuestra plataforma educativa en la descripción donde estamos compartiendo todo este contenido de valor.

El Dataset: El motor de la Segmentación de Instancias 🛣️🤖

🧠 En Machine Learning, la precisión de una CNN para segmentar baches no depende solo del código, sino de la calidad de su “combustible”: los datos.

🫟 En segmentación de instancias, la meta es la delimitación a nivel de píxel. Por eso, el dataset es vital para:
- Geometría Exacta: Permite al modelo distinguir la forma real del bache y calcular su área, no solo encerrarlo en un cuadro. 📐
- Robustez Ambiental: Variar iluminación, clima y texturas de asfalto evita falsos positivos (como sombras o manchas). 🌞
- Diferenciación de Instancias: Clave para que la IA separe baches individuales en zonas de alta degradación. 🛣️

Un modelo es tan inteligente como los datos que lo entrenan. Sin un dataset curado, no hay infraestructura inteligente. 🏷️

Así se ve una segmentación de instancias en tiempo real con YOLO26-seg. 🔥

⚙️ En el video se recorre un flujo técnico completo:
- Selección e instalación de dependencias desde Torch. ⌨️
- Descarga del modelo. ⤵️
- Captura de frames desde cámara. 📹
- Ejecución de inferencia. 🧠
- Procesamiento de resultados. 🧾
- Superposición de máscaras sobre los objetos segmentados. 🫟

La IA se ve más impresionante cuando deja de ser teoría y empieza a correr frame por frame. 🚀

¿Semántica vs. Instancias vs. Panóptica? 🎨

¡Te lo explico fácil! 🧠✨

🚘 Si alguna vez te has preguntado cómo los coches autónomos “ven” el mundo, la respuesta está en la segmentación de imágenes. 📸

🫟 Semántica: Pinta por categorías (como un libro de colorear).

📇 Instancias: Cuenta cada objeto por separado (1, 2, 3...).

😎 Panóptica: ¡Lo mejor de los dos mundos! Entiende el fondo y los objetos individuales al mismo tiempo.

¡Link al video completo en el primer comentario! 🚀

¿Clasificación, Detección o Segmentación? 🤔

🧠 ¡Hoy veremos SEGMENTACIÓN! 🎨

💡 La diferencia entre saber que hay un bache y saber cuánto mide realmente la obtenemos pasando de la detección de objetos a la segmnetación de instancias.

👉 ¿El problema?
Un bache no es una forma regular. Su geometría es compleja, irregular y variable.

Aquí es donde entra la segmentación de instancias.

🧠 La pregunta clave cambia:
❓ Ya no es: ¿Qué objetos hay y dónde están?
✅ Ahora es: ¿A qué clase pertenece cada pixel de la imagen?

En nuestro proyecto, esto significa:
Identificar exactamente qué píxeles pertenecen a un bache y cuáles no.

💡 ¿Por qué es importante?
Porque no solo detectamos el bache, sino que entendemos su forma real, tamaño y área, lo que permite:
✔ Clasificar su gravedad (pequeño, mediano, grande)
✔ Mejorar sistemas de mantenimiento vial
✔ Optimizar decisiones en tiempo real

📊 A nivel matemático:
Un modelo de segmentación genera un mapa de probabilidades por pixel, donde cada valor indica qué tan probable es que ese pixel pertenezca a una clase.

🔥 En resumen:
Pasamos de “hay un bache aquí” ➡️ a “estos píxeles SON el bache”.
La segmentación no solo mejora la detección, sino que habilita una comprensión más profunda del entorno visual.

¿Clasificación, Detección o Segmentación? 🤔 ¡Continuemos con la Detección de Objetos! 🧩

Para entender cómo un modelo segmenta objetos con precisión quirúrgica, primero vimos la Clasificación de imágenes y ahora es momento de pasar a la detección de objetos. En este video te explico:

✅ “¿Qué objetos hay y dónde están? “: La pregunta fundamental que resolvemos. 🧐
✅ La Red: Que facilidades y limitaciones nos brinda esta tarea. 📐

✅ El resultado: Qué nos entrega la red en su predicción. 📊

Este video es solo la punta del iceberg de mi clase sobre Segmentación de Instancias.
🚀 ¿Quieres ver el proceso completo? Ve al link en el primer comentario y accede a la clase gratuita.

¿Clasificación, Detección o Segmentación? 🤔 ¡Empecemos por la base!

Para entender cómo un modelo segmenta objetos con precisión quirúrgica, primero debemos dominar la Clasificación de Imágenes. En este video te explico:

✅ El “Qué”: La pregunta fundamental que resolvemos. 🧐
✅ La Red: El viaje desde los filtros de convolución hasta el aplanamiento de datos. 📐
✅ El resultado: Qué nos entrega la red en su predicción. 📊

Este video es solo la punta del iceberg de mi clase sobre Segmentación de Instancias.
🚀 ¿Quieres ver el proceso completo? Ve al link en el primer comentario y accede a la clase gratuita.