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

Consejos para el manejo de im谩genes

6/25
Recursos

Aportes 5

Preguntas 1

Ordenar por:

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

o inicia sesi贸n.

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.