Contexto del proyecto
El archivo fuente contenía imágenes relacionadas con puertos y grúas pórtico, además de cuatro clases: forklift, cone, bollard y person. No incluía cajas de detección ni máscaras. Se necesitaba un conjunto controlado para revisar clima, iluminación, degradación de cámara, presentación de objetos y documentación antes de decidir un proceso de entrenamiento.
Objetivo de entrega
Crear un paquete trazable que separara el aumento derivado de las fuentes de los ejemplos visuales generados. Cada imagen transformada debía registrar escenario, origen, semilla y parámetros. El resultado sirve para planificar y revisar datos, no para demostrar precisión de un modelo ni como datos productivos ya anotados.
Flujo de implementación
El trabajo combinó control de fuentes, procesamiento reproducible, escenas generadas, comprobaciones cuantitativas y revisión visual.
- 01
Auditar el archivo fuente
Inventariar imágenes, dimensiones, clases y formatos de anotación. Registrar que había una lista de clases, pero no cajas ni máscaras.
- 02
Controlar la elegibilidad de las fuentes
Revisar nombres y hojas de contacto, excluir imágenes viales externas no relacionadas y regenerar el paquete con el conjunto portuario aceptado.
- 03
Generar ocho condiciones de esfuerzo
Crear seis muestras de 1280 x 720 para día despejado, patio nocturno, cámara con lluvia, niebla o bruma, contraluz, desenfoque de movimiento, oclusión y compresión de vigilancia.
- 04
Crear escenas por clase
Producir diez imágenes generadas para crane, container, cone y forklift, separadas del aumento derivado de las fuentes.
- 05
Revisar pose y fondo
Crear tres ejemplos adicionales de inclinación junto a bordillo, inclinación en obra y giro o inclinación en fábrica.
- 06
Preparar evidencias y documentación
Generar metadatos, resumen de calidad, dos hojas de contacto y un documento de 19 páginas con 16 imágenes representativas.
Entregables
- Generador reproducible
- Script parametrizado para ocho condiciones visuales, con semillas estables y metadatos.
- Conjunto aumentado de 48 imágenes
- Ocho escenarios, seis JPG de 1280 x 720 por escenario y una fila de metadatos por salida.
- 40 imágenes generadas por clase
- Diez ejemplos para crane, container, cone y forklift, separados de las imágenes fuente.
- Ejemplos de pose y fondo
- Tres imágenes generadas para revisar orientación, encuadre y variación ambiental.
- Documento para el cliente
- DOCX y PDF de 19 páginas con 16 imágenes, alcance y límites de uso.
Evidencia verificada
Las cifras proceden de comprobaciones de archivos, metadatos y documentos; no son métricas de rendimiento de un modelo.
Auditoría de fuentes
Cuatro clases; sin cajas ni máscaras.La evidencia permitía simulación a nivel de imagen y planificación, no entrenamiento supervisado sin anotación adicional.
Salida aumentada
48 JPG de 1280 x 720 en 8 escenarios.Cada escenario tiene seis archivos; los metadatos registran fuente, escenario, semilla y parámetros.
Controles de calidad
0 errores, filas desconocidas, fuentes externas, candidatos de baja información o pares casi duplicados.El brillo medido fue de 39,4 a 137,5 y la desviación estándar de 15,5 a 62,6.
Material generado
40 imágenes de clases, 3 ejemplos de pose/fondo y 19 páginas con 16 imágenes.Los recuentos confirman integridad y maquetación, no calidad de etiquetas ni idoneidad para modelos.
Validación realizada
- Las 48 imágenes aumentadas se abrieron y mostraron la dimensión prevista de 1280 x 720.
- La tabla de metadatos tenía 48 filas y seis salidas para cada uno de los ocho escenarios.
- Se revisaron las dos hojas de contacto tras filtrar las fuentes; no quedó ninguna imagen vial externa no relacionada.
- Se contaron y abrieron las 40 imágenes por clase y los tres ejemplos de pose/fondo; no se evaluó precisión de etiquetas ni del modelo.
Límite de uso y evidencia
El caso demuestra auditoría de datos, aumento de imágenes, visualizaciones generadas, metadatos, controles de calidad y documentación. No afirma que la fuente esté lista para anotar, que las imágenes generadas sean etiquetas de entrenamiento verificadas ni que un detector alcance una precisión, exhaustividad o mAP concreta. Antes de desarrollar un modelo se requieren anotación, división de entrenamiento y validación, representatividad de escenas reales, equilibrio de clases, control de anotaciones y criterios métricos de aceptación.