Redes convolucionales y su importancia

1

La importancia del computer vision

2

驴Qu茅 herramientas usaremos para redes neuronales convolucionales?

3

驴Qu茅 son las redes convolucionales?

Mi primera red neuronal convolucional

4

Creando nuestra primera red convolucional

5

Entrenando nuestra primera red convolucional

Manejo de im谩genes

6

Consejos para el manejo de im谩genes

7

Manejo de im谩genes con Python

Fundamentos de redes neuronales convolucionales

8

Kernel en redes neuronales

9

El kernel en acci贸n

10

Padding y Strides

11

Capa de pooling

12

Arquitectura de redes convolucionales

Quiz: Fundamentos de redes neuronales convolucionales

Resolviendo un problema de clasificaci贸n

13

Clasificaci贸n con redes neuronales convolucionales

14

Creaci贸n de red convolucional para clasificaci贸n

15

Entrenamiento de un modelo de clasificaci贸n con redes convolucionales

Optimizaci贸n de red neuronal convolucional

16

Data augmentation

17

Aplicando data augmentation

18

Callbacks: early stopping y checkpoints

19

Batch normalization

20

Optimizaci贸n de modelo de clasificaci贸n

21

Entrenamiento de nuestro modelo de clasificaci贸n optimizado

Quiz: Optimizaci贸n de red neuronal convolucional

Resolviendo una competencia de Kaggle

22

Clasificando entre perros y gatos

23

Entrenamiento del modelo de clasificaci贸n de perros y gatos

Resumen y siguientes pasos

24

Siguientes pasos con redes neuronales convolucionales

25

Comparte tu proyecto de clasificaci贸n con redes convolucionales y certif铆cate

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Aprende Ingl茅s, Programaci贸n, AI, Ciberseguridad y m谩s a precio especial.

Antes: $249

Currency
$209
Suscr铆bete

Termina en:

1 D铆as
23 Hrs
24 Min
20 Seg

Consejos para el manejo de im谩genes

6/25
Recursos

Aportes 7

Preguntas 2

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

Cabe mencionar que las imagenes pueden tener hasta 4 canales: Red, Green, Blue, Alfa, donde Alfa es la trasparencia, este formato se denomina RGBA.

Keras (tf.keras.preprocessing.image_dataset_from_directory) puede trabajar con estos formatos: 鈥済rayscale鈥, 鈥渞gb鈥, 鈥渞gba鈥. Default: 鈥渞gb鈥. Whether the images will be converted to have 1, 3, or 4 channels.

https://keras.io/api/preprocessing/image/

Una aplicacion de Redes neuronales convolucionales, en donde el color no importa y es mejor trabajar en escala de grises, es en la deteccion de neumon铆a en imagenes de radiografias de torax.

Un peque帽o c贸digo para chequear la predicci贸n de una sola imagen:

image_selected = 10

img = train_images[image_selected ]
img = image.img_to_array(img)
img = np.expand_dims(img, axis = 0)

print(model.predict(img))

print(train_labels[image_selected])

Consejos para el manejo de im谩genes

  • Una imagen es una composici贸n de pixeles.

  • Los pixeles poseen un rango n煤mero que va del 0 al 255, siendo 0 el m谩s oscuro y 255 es m谩s claro.

  • Las maquinas lo que realmente interpreta es una composici贸n matricial la cual representan las instrucciones de composici贸n de un color.

Recomendaciones al trabajar con im谩genes

  • No todas las im谩genes manejan escala de grises.

  • La mayor铆a de las im谩genes manejan escala de colores que les a帽ade una complejidad extra que se representa con la composici贸n de 3 canales que , adem谩s, a帽ade tiempo de c贸mputo: del ingl茅s 鈥渞ed鈥, 鈥済reen鈥, 鈥渂lue鈥 siendo la base de la combinaci贸n RGB rojo, verde y azul.

  • Trabaja las im谩genes primero y de ser posible (siempre y cuando el color no importe) en escala de grises para as铆 ahorrar tiempo de c贸mputo.

Si por ejemplo, trabajas en un algoritmo que se encarga de distinguir y clasificar ciertas partes de una carretera, pues en este escenario el color tiene una relevancia para optimizar o no importe en el proceso.

Siempre manejar una escala de dimensiones definidas para tus im谩genes. Con esto, se busca que el algoritmo pre-entrenado no entre en conflicto al momento de recibir canales extras y no puede llegar a comprenderlos.

Quiero usar CNN para procesar datos obtenidos de un amplificador de EEG. Al final, la salida de un dispositivo de estos es una archivo de texto con una matriz de NxM, donde N es el n煤mero de canales y M el n煤mero de muestras o instantes de tiempo, y cada valor corresponde al voltaje de ese canal en ese instante de tiempo. Para mi aplicaci贸n, tengo varios cortes de una sola grabaci贸n de EEG de al rededor de 1seg de duraci贸n, conocidas como epochs o trials. Al final, tendr铆a una especie de tensor en donde tengo el n煤mero de trials x el n煤mero de canales x el n煤mero de muestras en un segundo. Mi pregunta es 驴esta estructura es v谩lida para usar este tipo de datos como entrenamiento? y adicionalmente 驴c贸mo hago para organizar y cargar esos archivos desde el disco duro de mi pc a un notbook en la nube? Tal vez mi m谩quina no sea lo suficientemente potente para entrenar la red neuronal de manera local

Al manejar im谩genes en redes neuronales convolucionales, especialmente en escala de grises, es importante considerar algunos consejos clave:
Pre-procesamiento de im谩genes

Normalizaci贸n de valores

  • Antes de alimentar la red, normaliza los valores de los p铆xeles dividiendo cada valor por 255 para asegurar que est茅n en un rango entre 0 y 1

Ajuste de tama帽o

  • Aseg煤rate de que todas las im谩genes tengan el mismo tama帽o para facilitar el procesamiento y la compatibilidad con la red

Convoluciones

  • Las convoluciones son esenciales en las CNN para detectar caracter铆sticas clave en las im谩genes. Utiliza filtros para escanear la imagen y extraer patrones relevantes

Experimenta con diferentes tama帽os de kernel y n煤mero de filtros para capturar caracter铆sticas a diferentes escalas y niveles de abstracci贸n