Cabe mencionar que utilizando la librer铆a de LABELLMG se obtienen anotaciones en archivos XML en formato PASCAL VOC, los cuales tambi茅n pueden ser convertidos a TFRecord.
Comprender la visi贸n computarizada
驴Por qu茅 aprender computer vision?
驴Qu茅 es la visi贸n computarizada?
Tipos de visi贸n computarizada
Introducci贸n a object detection: clasificaci贸n + localizaci贸n
Aprende a identificar problemas
Dimensionamiento de proyecto de visi贸n computarizada
C贸mo definir los tiempos de tu proyecto
C贸mo costear tu proyecto
C贸mo identificar los roles necesarios en el proyecto
Producto m铆nimo viable en computer vision
Obtenci贸n y procesamiento de los datos
Obtenci贸n de datos para tu proyecto
Limpieza de la base de datos
Distribuci贸n de datos en entrenamiento y testeo
Etiquetado de los datos de test
Etiquetado de los datos de train
Transforma tu base de datos a TFRecord
Transformar CSV a TFRecord
Entrena, testea y optimiza tus modelos
Librer铆as a importar durante fase de entrenamiento
Fase de entrenamiento del modelo
Balanceo de im谩genes y data augmentation
Entrena, evalua y optimiza con TensorBoard
Validaci贸n de modelo en un entorno de ejecuci贸n
Re-entrenamiento del modelo para obtener mejores resultados
Seguimiento de centroides con OpenCV
Configuraci贸n de los centroides con OpenCV
Algoritmo de direcci贸n y conteo con OpenCV
Crea un ciclo de entrenamiento de tu modelo: MLOps
Producto con visi贸n computarizada en producci贸n
Prepara tu entorno en Google Cloud Platform
Carga y preprocesamiento de modelos
Postprocesamiento de modelos
Despliega y consume tu modelo en producci贸n
Bonus: aprende a apagar las m谩quinas de GCP para evitar sobrecostos
Siguientes pasos en inteligencia artificial
Siguientes pasos en inteligencia artificial
A煤n no tienes acceso a esta clase
Crea una cuenta y contin煤a viendo este curso
Aportes 3
Preguntas 0
Cabe mencionar que utilizando la librer铆a de LABELLMG se obtienen anotaciones en archivos XML en formato PASCAL VOC, los cuales tambi茅n pueden ser convertidos a TFRecord.
Con Roboflowpodemos exportar el archivo directamente a TF Record, ahorr谩ndonos este proceso.
Si metemos toda la l贸gica de carga de datos en una funci贸n donde parametrizamos el tipo de dataset podemos evitar tener que cambiar c贸digo para cada tipo de dataset, por ejemplo:
def create_csv(data, dataset_type):
csv_list = []
for classification in data:
width, height = classification['width'], classification['height']
image_name = classification['image']
for item in classification['tags']:
name = item['name']
xmin = item['x']
ymin = item['y']
xmax = xmin + item['w']
ymax = ymin + item['h']
values = (image_name, width, height, name, xmin, ymin, xmax, ymax)
csv_list.append(values)
column_names = ['filename', 'width', 'height', 'classname', 'xmin', 'ymin', 'xmax', 'ymax']
csv_df = pd.DataFrame(csv_list, columns=column_names)
csv_df.to_csv(f"/content/{dataset_type}_labels.csv")
驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.