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

Data augmentation

16/25
Recursos

Aportes 3

Preguntas 0

Ordenar por:

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

o inicia sesi贸n.

Data augmentation

  • Data augmentation busca mejorar el rendimiento y precisi贸n de nuestro modelo.

  • Aumentando la cantidad y estilo de datos.

Es dif铆cil obtener y clasificar las im谩genes para entrenar el modelo?

Tiende a serlo ya que se usan ambientes especiales para tomar una fotograf铆a, sea de manera o no profesional. Luz, escenario, etc.

Data augmentation toma una imagen y le hace ciertas modificaciones. Esto no es m谩s que un relleno en los espacios de la imagen que inicialmente no pertenec铆an a esta, pot ejemplo:

  • Hacerle zoom
  • Rotar la imagen: sobre su eje, Keras tiene facultades que permiten hacer un 鈥渇ill_mode del tipo:
  1. 鈥渘earest鈥
  2. 鈥渞eflect鈥 que muestra una imagen tipo espejo.
  3. 鈥渨rap鈥 crea una tira consecutiva de la imagen para completar los espacios.
  4. 鈥渨idth & height_shift_range鈥 se desplaza sobre el ancho y el alto de la imagen
  • Desplazar la imagen de sus ejes X, & Y
  • Aumentar el brillo

Lo que hace es mantener la foto con sus caracter铆sticas principales pero creando im谩genes distintas. La m谩quina observa dos fotos 鈥減arecidas鈥 pero con caracter铆sticas similar. Esto es lo buscado y deseado al llevar a cabo un entrenamiento que pueda encontrar estas caracter铆sticas

Data Augmentation

Data augmentation: busca mejorar el rendimiento, la precisi贸n de nuestro modelo aumentando la cantidad y estilo de datos.

Es dif铆cil obtener y clasificar las im谩genes para entrenar el modelo?

Tiende a serlo ya que se usan ambientes especiales para tomar una fotograf铆a, 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 m谩s que un relleno en los espacios de la imagen que inicialmente no pertenec铆an 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 caracter铆sticas principales pero creando im谩genes distintas.

La m谩quina observa dos fotos 鈥** parecidas**鈥 pero con caracter铆sticas similar. Esto es lo buscado y deseado al llevar a cabo un entrenamiento que pueda encontrar estas caracter铆sticas