Este artículo narra la experiencia de un ingeniero de iOS que, para automatizar la puntuación de disparos de tiro con rifle, se sumergió en el mundo de la visión artificial y el aprendizaje automático. La motivación surgió de una necesidad personal: aprender a cazar ciervo para cocinarlo, una actividad que implicaba participar en sesiones de tiro con rifle en un entorno rural. El proceso de puntuación tradicional era tedioso, requiriendo la selección manual de 'tapones de latón' de diferentes tamaños para marcar los impactos en el blanco.
Inicialmente, el ingeniero intentó utilizar el framework Vision de Apple para detectar los impactos, pero se encontró con el problema de que el sistema identificaba erróneamente elementos del blanco (como el punto central del objetivo) como 'agujeros' debido a la forma en que los modelos de detección de objetos están entrenados. La solución implicó un enfoque más sofisticado: en lugar de buscar directamente los agujeros, se buscó la estructura geométrica del blanco (los anillos concéntricos) y luego se identificaron los agujeros dentro de esa estructura. Para ello, adaptó un artículo científico de 2012 que describía un método para la puntuación automática de blancos de tiro, utilizando técnicas como la eliminación de líneas de anillo, el relleno de áreas para encontrar las formas de los agujeros, la detección de bordes y la transformación de Hough para ajustar círculos.
Sin embargo, el método inicial aún presentaba limitaciones, como la identificación errónea de los números de puntuación impresos en los blancos. Para mejorar la precisión, el ingeniero incorporó un modelo de aprendizaje automático (YOLOv8) entrenado con su propio conjunto de datos, combinándolo con el enfoque geométrico basado en OpenCV. Este modelo se encargó de la localización precisa de los agujeros, mientras que el enfoque geométrico proporcionaba información sobre la estructura del blanco. El modelo final, exportado a CoreML, tiene un tamaño de 22.4 MB.
La historia ilustra cómo un problema aparentemente simple (automatizar la puntuación de disparos) puede llevar a una exploración profunda de conceptos técnicos complejos, desde la visión artificial y la detección de objetos hasta el aprendizaje automático y la optimización de modelos para dispositivos móviles. El autor también ofrece la posibilidad de consultoría para integrar modelos CoreML en aplicaciones.