AECODE × COSAPIPrograma COSAPIENS · S3
Taller · Datos limpios, IA confiable

Caza los falsos positivos

El modelo de EPP marcó dónde "cree" que hay casco. Unas cámaras son fotos reales con las detecciones reales del modelo; otras son escenas de práctica. El modelo es bueno… pero se equivoca. Tu trabajo: descartar lo que marcó mal. Con eso armamos un dataset limpio y te evaluamos.

Casco 0.92
1Mira los recuadros El modelo marcó cada casco con un recuadro y un número: qué tan seguro está (de 0 a 1).
Casco 0.5
2Toca lo que está mal ¿Un recuadro sobre algo que NO es un casco —un balde, una botella, una cabeza sin casco—? Tócalo: se pone rojo.
antes después
3Limpia y evalúa Cuando revises todas las cámaras, pulsa el botón verde. Verás cuántos errores cazaste y cómo mejora el dataset.
1 / 10
Descartados: 0
Resultado
de los falsos positivos
0FP cazados
0se te escaparon
0marcaste de más
0dataset limpio
Cómo quedó el dataset después de tu limpieza
El modelo entregó detecciones; eran correctas. Tras tu revisión:
limpiosucio
Precisión del dataset: (antes ). Cuanto más falsos positivos caces, más confiable queda para reentrenar.