Etapa 5: Selección de Muestras¶

Script: scripts/05_select_samples.py

Descripción¶

Esta etapa selecciona un subconjunto representativo de las observaciones que pasaron el filtro de calidad, aplicando diferentes estrategias de muestreo para conformar el dataset final.

Uso¶

python scripts/05_select_samples.py --config config/mi_config.yaml

Argumentos¶

Argumento	Descripción	Valor por defecto
`--config`	Ruta al archivo de configuración YAML	`config/paraense_fauna.yaml`
`--method`	Override del método de selección	Valor en config
`--n-samples`	Override de muestras por especie	Valor en config

Métodos de Selección¶

1. Por Calidad (`quality`)¶

Selecciona las N imágenes con mayor score de calidad por especie.

sampling:
  method: "quality"
  n_samples_per_species: 100

Ventajas: - Garantiza imágenes de alta calidad - Simple y predecible

Desventajas: - Puede sesgar hacia ciertos tipos de fotos - Menor diversidad visual

2. Por Clustering (`clustering`)¶

Maximiza la diversidad visual mediante K-Means en espacio de características.

sampling:
  method: "clustering"
  n_samples_per_species: 100

Funcionamiento: 1. Extrae características visuales de cada imagen 2. Aplica K-Means con K = n_samples 3. Selecciona la imagen más cercana a cada centroide

Ventajas: - Maximiza diversidad visual - Cubre diferentes poses, fondos, iluminación

Desventajas: - Más costoso computacionalmente - Puede incluir imágenes de menor calidad

3. Estratificado (`stratified`)¶

Estratifica por ubicación geográfica y temporal.

sampling:
  method: "stratified"
  n_samples_per_species: 100

Funcionamiento: 1. Divide observaciones en estratos geográficos (cuadrantes) 2. Subdivide por período temporal (meses/estaciones) 3. Muestrea proporcionalmente de cada estrato

Ventajas: - Representación geográfica balanceada - Captura variación estacional

Desventajas: - Puede tener estratos vacíos - Requiere buena distribución de datos

4. Aleatorio (`random`)¶

Selección aleatoria con semilla fija para reproducibilidad.

sampling:
  method: "random"
  n_samples_per_species: 100

Nota: La reproducibilidad se controla mediante el parámetro random_state del constructor RepresentativeSampleSelector, no desde el YAML.

Ventajas: - Simple y rápido - Reproducible con semilla fija

Desventajas: - No optimiza ningún criterio - Resultados variables

Parámetros de Configuración¶

sampling:
  method: "quality"              # Método de selección
  n_samples_per_species: 100     # Muestras objetivo por especie
  min_samples_per_species: 20    # Mínimo para incluir especie
  balance_dataset: true          # Igualar muestras entre especies

Balanceo de Dataset¶

Cuando balance_dataset: true: - Se calcula el mínimo de muestras disponibles entre especies - Todas las especies se limitan a ese número - Útil para evitar sesgo hacia especies más fotografiadas

Salida¶

Archivo principal¶

data/{dataset}/cache/observations_selected.json

Observaciones seleccionadas para el dataset final.

Estadísticas¶

data/{dataset}/cache/selection_stats.json

{
  "method": "quality",
  "total_candidates": 320,
  "total_selected": 200,
  "species_included": 2,
  "species_excluded": 1,
  "by_species": {
    "Turdus rufiventris": {
      "candidates": 155,
      "selected": 100,
      "mean_quality": 72.5
    },
    "Ramphastos toco": {
      "candidates": 140,
      "selected": 100,
      "mean_quality": 68.3
    }
  },
  "excluded_species": {
    "Nasua nasua": {
      "reason": "insufficient_samples",
      "available": 15,
      "required": 20
    }
  }
}

Filtro de Mínimo de Muestras¶

Las especies con menos de min_samples_per_species observaciones se excluyen del dataset final. Esto evita:

Clases con muy pocos ejemplos
Sesgo en entrenamiento de modelos
Evaluaciones poco confiables

sampling:
  min_samples_per_species: 20  # Excluir especies con < 20 muestras

Consideraciones¶

Tamaño del Dataset¶

Objetivo	Muestras/especie	Total (10 especies)
Prototipo	20-50	200-500
Desarrollo	50-100	500-1000
Producción	100-500	1000-5000

Few-Shot Learning¶

Para tareas de few-shot learning, considera: - Support set: 5-20 imágenes por clase - Query set: Resto de imágenes para evaluación - Usar balance_dataset: true para clases equilibradas

Reproducibilidad¶

El selector utiliza np.random.RandomState aislado para garantizar reproducibilidad:

selector = RepresentativeSampleSelector(
    method="random",
    random_state=42  # Misma semilla = mismos resultados
)

Módulos Utilizados¶

sample_selector.py - Lógica de selección

Siguiente Etapa¶

Una vez seleccionadas las muestras, proceder a Etapa 6: Organización del Dataset.