Chismes del Lince 18a: El detector de obstáculos del Lince (parte 1), entrenar una IA con Teachable Machine y exportar el modelo
Noche cerrada en la cueva del Lince. La Gata ha puesto un folio en blanco sobre el sofá y, encima de otro, una grapadora, un calcetín y media manzana de plástico.
—¿Qué es esto? —pregunta el Lince.
—Tu examen de visión. Este folio es el camino. Este otro, el camino con cosas. Y ahí, el sofá solo: no hay camino.
—Pero Gata, yo ya veo.
—Tú sí. El móvil, todavía no. Vamos a enseñarle.
Introducción
Hasta ahora, en los chismes, el móvil escuchaba, hablaba, medía y recordaba. Pero nunca aprendía: todas las reglas las escribíamos nosotros (un umbral, una expresión regular, un pitido).
En el Chisme 18 hacemos algo distinto. No le decimos al programa cómo reconocer un obstáculo. Le enseñamos ejemplos y que lo descubra él. Es la diferencia entre programar una regla y entrenar un modelo.
Lo dividimos en dos partes:
- 18a (esta entrada): entrenar el modelo con Teachable Machine y exportarlo.
- 18b: una webapp que carga el modelo, abre la cámara y dice en voz alta lo que ve.
La idea de fondo es la de un detector de obstáculos: que una cámara a la altura de un robot distinga si tiene el camino despejado o hay algo en medio. Para empezar, lo hacemos a escala, sobre un sofá.
⚠️ Esto es una prueba técnica
Un modelo entrenado con 150 fotos de un sofá no es un sistema de seguridad. No lo uses para guiar a una persona ni a nada que pueda hacerse daño. Es un ejercicio para entender cómo aprende una IA.
Lo que hemos hecho
Teníamos tres preguntas que la IA tiene que saber contestar:
| Clase | Qué ve la cámara | Qué significa | Fotos |
|---|---|---|---|
nada | La parte de arriba del sofá, sin nada | No hay camino | 50 |
camino | Los folios sobre el sofá, sin nada encima | Hay camino y está despejado | 50 |
obstaculo | Los mismos folios con cosas distintas encima | Hay camino, pero hay algo en medio | 50 |
Y 5 fotos de prueba por clase (15 en total) que no hemos usado para entrenar. Después las pasamos por el modelo para comprobar si acierta con imágenes que no ha visto nunca.
[FOTO: el montaje completo, con el móvil apoyado y el sofá al fondo]
Por qué tres clases y no dos
Con dos clases («libre» y «obstáculo») el modelo no tiene forma de decir «aquí no hay camino». Si le enseñas una pared o un sofá vacío, tiene que elegir una de las dos y casi seguro lo hará con total seguridad. Con una tercera clase, nada, tiene una opción más honesta.
Un fondo que no cambia
Es el truco más importante de esta entrada. En las tres clases, el fondo es el mismo sofá, en el mismo sitio y con la cámara a la misma altura. Así, lo único que cambia entre las clases es lo que queremos que aprenda:
nada: sin folio.camino: con folio.obstaculo: con folio y objetos.
Si hubiéramos hecho camino en el sofá y obstaculo en la mesa de la cocina, el modelo habría aprendido «sofá» o «cocina», y no «objetos encima del camino». Es el error más típico al entrenar una IA con pocas fotos.
Variedad donde importa
- En
camino: el folio cambia de sitio, está un poco girado y se ve más o menos sofá alrededor. - En
obstaculo: objetos distintos (grandes y pequeños, de colores diferentes) y en sitios distintos del folio. Si siempre usamos el mismo bolígrafo rojo, el modelo aprenderá «bolígrafo rojo» y no «obstáculo». - En las tres: pequeños cambios en la luz y en el ángulo.
50 fotos distintas valen más que 200 casi iguales.
Cómo se entrena (paso a paso)
Teachable Machine es gratis, funciona en el navegador y no hace falta cuenta. Los nombres de los botones pueden cambiar con el tiempo, pero el recorrido es este.
- Entra en Teachable Machine y pulsa Empezar → Proyecto de imagen → Modelo de imagen estándar.
- Cambia el nombre de las tres clases a
nada,caminoyobstaculo. Sin tildes ni espacios: luego la webapp las leerá tal cual. - En cada clase, sube las fotos con Subir (o grábalas con la cámara). Comprueba que el contador marca 50 en cada una.
- Pulsa Entrenar modelo y no cambies de pestaña hasta que termine. Los ajustes por defecto valen.
- Cuando acabe, aparece una vista previa a la derecha. Úsala para probar con imágenes nuevas.
Una nota sobre las fotos. Hacerlas con el móvil y pasarlas por WhatsApp (mandándotelas a ti mismo y bajándolas en el portátil) funciona perfectamente. WhatsApp las comprime, pero Teachable Machine las reduce a un tamaño muy pequeño de todas formas, así que no se pierde nada útil. No mezcles fotos en vertical y en horizontal: elige una.
Una cosa que conviene saber sobre privacidad
El entrenamiento ocurre en tu navegador: las imágenes no se suben a ningún sitio mientras entrenas. Las imágenes solo salen del ordenador si tú eliges guardar el proyecto en Google Drive o subir el modelo a la nube de Teachable Machine. Por eso hemos usado objetos y un sofá, y ninguna persona: si fueras a usar fotos de personas, necesitarías su permiso.
La prueba de las 15 fotos
Entrenar es la mitad. La otra mitad es comprobar que no hemos engañado al modelo.
Las 15 fotos de prueba no se usaron para entrenar. Si las hubiéramos metido en el entrenamiento, el modelo acertaría «de memoria» y no sabríamos nada. Esto se llama conjunto de prueba.
Pasa las 5 fotos de cada clase por la vista previa y apunta cuántas acierta:
| Clase de las fotos | Aciertos (de 5) | ¿Qué dice cuando falla? |
|---|---|---|
nada | ||
camino | ||
obstaculo |
Y haz tres pruebas más, a propósito para que falle:
- Un objeto que no hayas usado nunca sobre el folio. ¿Dice
obstaculo? - Un obstáculo muy pequeño (una goma, un clip). ¿Lo ve o dice
camino? - Un folio de color, o el sofá con otra cosa. ¿Sigue diciendo
caminocon mucha seguridad, aunque no sea verdad?
Estas pruebas son lo más valioso de todo el chisme. El modelo solo sabe lo que le hemos enseñado.
Cómo se exporta
Con el modelo entrenado, el siguiente paso es sacarlo de Teachable Machine para usarlo en nuestra propia página.
- Pulsa Exportar modelo.
- Elige la pestaña Tensorflow.js. (Ojo: no es Tensorflow, que ofrece formatos de Python, como Keras o SavedModel, ni Tensorflow Lite, que es para Android o Raspberry Pi).
- Elige Descargar (Download) y pulsa Descargar mi modelo. Lo de Subir (Upload) lo guardaría en la nube de Google, y para el aula preferimos tenerlo en nuestra carpeta.
- Se baja un ZIP. Al descomprimirlo, tienen que salir tres archivos:
| Archivo | Qué contiene |
|---|---|
model.json | La estructura de la red neuronal |
weights.bin | Los números que ha aprendido (los «pesos»), que es lo que más ocupa |
metadata.json | Los nombres de las clases (nada, camino, obstaculo) y poco más |
Guárdalos juntos en una carpeta (por ejemplo, modelo-camino) y sin cambiarles el nombre. model.json busca weights.bin por su nombre, y si se lo cambias, no lo encuentra.
Abre metadata.json con el bloc de notas y mira dentro. Verás los nombres de las clases tal cual los escribiste. Es una forma de comprobar que el modelo sabe lo que ha aprendido.
Para el aula
- ¿Cuántas fotos hacen falta? Entrena con 10, con 30 y con 50 por clase. ¿En qué momento deja de mejorar?
- Rompe el fondo. Haz una versión donde
caminoesté en el sofá yobstaculoen otra mesa. ¿Qué dice el modelo cuando pones obstáculos en el sofá? - El obstáculo pequeño. ¿Cuál es el objeto más pequeño que detecta? ¿De qué depende?
- Una clase de más. Añade una cuarta clase («mano») y entrena de nuevo. ¿Qué cambia?
- Mira el porcentaje. El modelo siempre da porcentajes que suman 100. ¿Qué ocurre cuando le enseñas algo que no es de ninguna clase?
- Piensa en la ética. ¿Qué pasaría si este modelo guiara de verdad a un robot que lleva algo frágil? ¿Quién debería comprobar que funciona?
Lo que hemos aprendido
- Los datos mandan. El esfuerzo no estuvo en programar, sino en preparar buenas fotos.
- Un fondo constante hace trabajar al modelo en lo importante.
- Hay que probar con lo que el modelo no ha visto, no solo con lo que ya conoce.
- Una IA no sabe lo que no sabe. Dará una respuesta y un porcentaje aunque le enseñes algo que no se parece a nada de lo que ha visto.
El siguiente chisme
En el 18b cargaremos estos tres archivos en una página web: abrirá la cámara, mirará, y dirá en voz alta «nada», «camino» u «obstáculo», con su porcentaje y en letras grandes.
La Gata ya tiene una pregunta preparada: ¿y qué hace el Lince cuando el modelo duda?
⚠️ Antes de publicar nada, lee esto
Es una prueba técnica de un centro educativo. No es un sistema de seguridad ni una ayuda para la movilidad de nadie.
Revisa las fotos antes de subirlas. No deben salir personas, caras, pantallas con datos ni documentos. Con objetos y un sofá estamos tranquilos.
Teachable Machine y Google. El entrenamiento se hace en el navegador, pero guardar el proyecto en Drive o subir el modelo lo envía a Google. Si lo usas con alumnado, revisa las condiciones de uso y las indicaciones de la persona responsable de protección de datos.
La tecnología es la parte fácil. Decidir cómo, con quién y para qué la usamos es el verdadero chisme.
