Una lectura interesante para complementar
https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html
Redes convolucionales y su importancia
La importancia del computer vision
¿Qué herramientas usaremos para redes neuronales convolucionales?
¿Qué son las redes convolucionales?
Mi primera red neuronal convolucional
Creando nuestra primera red convolucional
Entrenando nuestra primera red convolucional
Manejo de imágenes
Consejos para el manejo de imágenes
Manejo de imágenes con Python
Fundamentos de redes neuronales convolucionales
Kernel en redes neuronales
El kernel en acción
Padding y Strides
Capa de pooling
Arquitectura de redes convolucionales
Quiz: Fundamentos de redes neuronales convolucionales
Resolviendo un problema de clasificación
Clasificación con redes neuronales convolucionales
Creación de red convolucional para clasificación
Entrenamiento de un modelo de clasificación con redes convolucionales
Optimización de red neuronal convolucional
Data augmentation
Aplicando data augmentation
Callbacks: early stopping y checkpoints
Batch normalization
Optimización de modelo de clasificación
Entrenamiento de nuestro modelo de clasificación optimizado
Quiz: Optimización de red neuronal convolucional
Resolviendo una competencia de Kaggle
Clasificando entre perros y gatos
Entrenamiento del modelo de clasificación de perros y gatos
Resumen y siguientes pasos
Siguientes pasos con redes neuronales convolucionales
Comparte tu proyecto de clasificación con redes convolucionales y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 3
Preguntas 0
Una lectura interesante para complementar
https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html
Data augmentation
Data augmentation busca mejorar el rendimiento y precisión de nuestro modelo.
Aumentando la cantidad y estilo de datos.
Es difícil obtener y clasificar las imágenes para entrenar el modelo?
Tiende a serlo ya que se usan ambientes especiales para tomar una fotografía, sea de manera o no profesional. Luz, escenario, etc.
Data augmentation toma una imagen y le hace ciertas modificaciones. Esto no es más que un relleno en los espacios de la imagen que inicialmente no pertenecían a esta, pot ejemplo:
Lo que hace es mantener la foto con sus características principales pero creando imágenes distintas. La máquina observa dos fotos “parecidas” pero con características similar. Esto es lo buscado y deseado al llevar a cabo un entrenamiento que pueda encontrar estas características
Data Augmentation
Data augmentation: busca mejorar el rendimiento, la precisión de nuestro modelo aumentando la cantidad y estilo de datos.
Es difícil obtener y clasificar las imágenes para entrenar el modelo?
Tiende a serlo ya que se usan ambientes especiales para tomar una fotografía, sea de manera o no profesional. Luz, escenario, etc.
Data augmentation toma una imagen y le hace ciertas modificaciones como:
Hacerle zoom **
Desplazar la imagen de sus ejes X, & Y
Aumentar el brillo
Rotar la imagen: Esto no es más que un relleno en los espacios de la imagen que inicialmente no pertenecían a esta. Tiende a rotar la imagen sobre su eje. _ Keras_ tiene facultades que permiten hacer fill_mode del tipo:
Nearest
** Reflect:** muestra una imagen tipo espejo
** Wrap:** crea una tira consecutiva de la imagen para completar los espacios.
Width & Height_shift_range: se desplaza sobre el ancho y el alto de la imagen.
A modo de sumario, Data Augmentation lo que hace es mantener la foto con sus características principales pero creando imágenes distintas.
La máquina observa dos fotos “** parecidas**” pero con características similar. Esto es lo buscado y deseado al llevar a cabo un entrenamiento que pueda encontrar estas características
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.