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 mÃnimo 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
LibrerÃas 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 vehÃculos en carretera y certifÃcate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Instalar la librerÃa de object Detection en Google Colab:
import os
%cd /content
!git clone --quiet https://github.com/tensorflow/models.git
%cd /content/models/
#!git checkout 58d19c67e1d30d905dd5c6e5092348658fed80af
!apt-get update && apt-get install -y -qq protobuf-compiler python-pil python-lxml python-tk
!pip install -q Cython contextlib2 pillow lxml matplotlib
!pip install -q pycocotools
%cd /content/models/research
!protoc object_detection/protos/*.proto --python_out=.
os.environ['PYTHONPATH'] += ':/content/models/research/:/content/models/research/slim/'
!python object_detection/builders/model_builder_test.py
Descargar los modelos pre-entrenados en este caso SSD + MobileNetV2
!wget --no-check-certificate http://download.tensorflow.org/models/object_detection/tf2/20200711/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz \
-O /content/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz
Aportes 1
Preguntas 3
Código para descargar los modelos pre-entrenados en este caso SSD + MobileNetV2
!wget --no-check-certificate http://download.tensorflow.org/models/object_detection/tf2/20200711/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz \
-O /content/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?