Comprender la visi贸n computarizada

1

驴Por qu茅 aprender computer vision?

2

驴Qu茅 es la visi贸n computarizada?

3

Tipos de visi贸n computarizada

4

Introducci贸n a object detection: clasificaci贸n + localizaci贸n

5

Aprende a identificar problemas

Dimensionamiento de proyecto de visi贸n computarizada

6

C贸mo definir los tiempos de tu proyecto

7

C贸mo costear tu proyecto

8

C贸mo identificar los roles necesarios en el proyecto

9

Producto m铆nimo viable en computer vision

Obtenci贸n y procesamiento de los datos

10

Obtenci贸n de datos para tu proyecto

11

Limpieza de la base de datos

12

Distribuci贸n de datos en entrenamiento y testeo

13

Etiquetado de los datos de test

14

Etiquetado de los datos de train

15

Transforma tu base de datos a TFRecord

16

Transformar CSV a TFRecord

Entrena, testea y optimiza tus modelos

17

Librer铆as a importar durante fase de entrenamiento

18

Fase de entrenamiento del modelo

19

Balanceo de im谩genes y data augmentation

20

Entrena, evalua y optimiza con TensorBoard

21

Validaci贸n de modelo en un entorno de ejecuci贸n

22

Re-entrenamiento del modelo para obtener mejores resultados

23

Seguimiento de centroides con OpenCV

24

Configuraci贸n de los centroides con OpenCV

25

Algoritmo de direcci贸n y conteo con OpenCV

26

Crea un ciclo de entrenamiento de tu modelo: MLOps

Producto con visi贸n computarizada en producci贸n

27

Prepara tu entorno en Google Cloud Platform

28

Carga y preprocesamiento de modelos

29

Postprocesamiento de modelos

30

Despliega y consume tu modelo en producci贸n

31

Bonus: aprende a apagar las m谩quinas de GCP para evitar sobrecostos

Siguientes pasos en inteligencia artificial

32

Siguientes pasos en inteligencia artificial

33

Comparte tu proyecto de detecci贸n de veh铆culos en carretera y certif铆cate

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Transforma tu base de datos a TFRecord

15/33
Recursos

Aportes 3

Preguntas 2

Ordenar por:

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

o inicia sesi贸n.

Con Roboflowpodemos exportar el archivo directamente a TF Record, ahorr谩ndonos este proceso.

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.

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")