Con Roboflowpodemos exportar el archivo directamente a TF Record, ahorrándonos este proceso.
Comprender la visión computarizada
¿Por qué aprender computer vision?
¿Qué es la visión computarizada?
Tipos de visión computarizada
Introducción a object detection: clasificación + localización
Aprende a identificar problemas
Dimensionamiento de proyecto de visión computarizada
Cómo definir los tiempos de tu proyecto
Cómo costear tu proyecto
Cómo identificar los roles necesarios en el proyecto
Producto mínimo viable en computer vision
Obtención y procesamiento de los datos
Obtención de datos para tu proyecto
Limpieza de la base de datos
Distribución 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
Librerías a importar durante fase de entrenamiento
Fase de entrenamiento del modelo
Balanceo de imágenes y data augmentation
Entrena, evalua y optimiza con TensorBoard
Validación de modelo en un entorno de ejecución
Re-entrenamiento del modelo para obtener mejores resultados
Seguimiento de centroides con OpenCV
Configuración de los centroides con OpenCV
Algoritmo de dirección y conteo con OpenCV
Crea un ciclo de entrenamiento de tu modelo: MLOps
Producto con visión computarizada en producción
Prepara tu entorno en Google Cloud Platform
Carga y preprocesamiento de modelos
Postprocesamiento de modelos
Despliega y consume tu modelo en producción
Bonus: aprende a apagar las máquinas de GCP para evitar sobrecostos
Siguientes pasos en inteligencia artificial
Siguientes pasos en inteligencia artificial
Comparte tu proyecto de detección de vehículos en carretera y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónTransforma tu base de datos a TFRecord
15/33Recursos
Aportes 3
Preguntas 1
Ordenar por:
Si metemos toda la lógica de carga de datos en una función donde parametrizamos el tipo de dataset podemos evitar tener que cambiar código 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")
Cabe mencionar que utilizando la librería de LABELLMG se obtienen anotaciones en archivos XML en formato PASCAL VOC, los cuales también pueden ser convertidos a TFRecord.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.