Glosario IA
El diccionario completo de la Inteligencia Artificial
CSPDarknet53
Backbone optimizado de YOLOv5 que utiliza la técnica Cross Stage Partial Network para reducir la carga computacional mientras preserva la precisión de la extracción de características.
Capa Focus
Capa de entrada específica de YOLOv5 que aplica un reordenamiento espacial y una concatenación para aumentar la resolución espacial mientras reduce los canales, mejorando la velocidad sin pérdida de información.
Módulo SPP
Spatial Pyramid Pooling integrado en YOLOv5 para extraer características a diferentes escalas espaciales sin requerir entradas de tamaño fijo, mejorando la robustez del modelo.
Aumento de Datos Mosaico
Técnica de aumento de datos exclusiva de YOLO que combina 4 imágenes en una sola, forzando al modelo a aprender a detectar objetos en contextos variados y parcialmente visibles.
YOLOv5s/m/l/x
Variantes de tamaño del modelo YOLOv5 que ofrecen diferentes compromisos entre velocidad y precisión: pequeño (s), mediano (m), grande (l) y extra-grande (x).
Pérdida IoU
Función de pérdida utilizada en YOLOv5 que mide la superposición entre las bounding boxes predichas y las verdades del terreno, optimizando directamente la métrica de evaluación IoU.
YOLOv5u
Variante ultralytics de YOLOv5 que introduce el enfoque anchor-free y mejoras de convergencia, reemplazando las anchor boxes por una predicción directa de las dimensiones de los objetos.
TAL (Aprendizaje Alineado a la Tarea)
Enfoque de aprendizaje en las variantes modernas de YOLO que alinea la clasificación y la localización de objetos para mejorar simultáneamente estas dos tareas fundamentales.
YOLOX
Evolución de YOLO que introduce una arquitectura sin anclajes (anchor-free), un aprendizaje desacoplado (decoupled learning) y una mejora en las aumentaciones de datos, superando a YOLOv5 en varios benchmarks.
YOLOv7
Versión avanzada de YOLO que introduce métodos de re-parametrización, de escalado de modelos y arquitecturas compuestas escalables (compound scalable) para alcanzar un rendimiento de vanguardia (state-of-the-art).
AP50:95
Métrica de evaluación estándar en YOLO que mide la precisión media en todos los umbrales de IoU de 0.5 a 0.95, representando el rendimiento global del modelo.
CSPNet
Técnica de Red Parcial de Etapa Cruzada (Cross Stage Partial Network) que reduce la información duplicada del gradiente en redes profundas, optimizando el equilibrio entre precisión y velocidad en YOLOv5.
ELAN
Red de Agregación de Capas Eficiente (Efficient Layer Aggregation Network) introducida en YOLOv7, que controla las rutas de gradiente más cortas y más largas para mejorar la convergencia y la eficiencia computacional.
RepConv
Re-parametrización de capa convolucional (Convolutional layer re-parameterization) que permite transformar múltiples ramas en una sola convolución durante la inferencia, mejorando la velocidad sin comprometer el rendimiento.