Comprender la visión computarizada

1

¿Por qué aprender computer vision?

2

¿Qué es la visión computarizada?

3

Tipos de visión computarizada

4

Introducción a object detection: clasificación + localización

5

Aprende a identificar problemas

Dimensionamiento de proyecto de visión computarizada

6

Cómo definir los tiempos de tu proyecto

7

Cómo costear tu proyecto

8

Cómo identificar los roles necesarios en el proyecto

9

Producto mínimo viable en computer vision

Obtención y procesamiento de los datos

10

Obtención de datos para tu proyecto

11

Limpieza de la base de datos

12

Distribución 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

Librerías a importar durante fase de entrenamiento

18

Fase de entrenamiento del modelo

19

Balanceo de imágenes y data augmentation

20

Entrena, evalua y optimiza con TensorBoard

21

Validación de modelo en un entorno de ejecución

22

Re-entrenamiento del modelo para obtener mejores resultados

23

Seguimiento de centroides con OpenCV

24

Configuración de los centroides con OpenCV

25

Algoritmo de dirección y conteo con OpenCV

26

Crea un ciclo de entrenamiento de tu modelo: MLOps

Producto con visión computarizada en producción

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 producción

31

Bonus: aprende a apagar las máquinas de GCP para evitar sobrecostos

Siguientes pasos en inteligencia artificial

32

Siguientes pasos en inteligencia artificial

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Entrena, evalua y optimiza con TensorBoard

20/32
Recursos

Aportes 8

Preguntas 8

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

En caso se les presente el siguiente error:

"/content/models/research/object_detection/meta_architectures/deepmac_meta_arch.py", line 28, in <module> import tensorflow_io as tfio  # pylint:disable=g-import-not-at-top
ModuleNotFoundError: No module named 'tensorflow_io'

pueden solucionarlo instalando la librería

!pip install tensorflow-io
import tensorflow_io as tfio

Puede surgir el siguiente error a la hora de ejecutar el entrenamiento

ImportError: cannot import name '_registerMatType' from 'cv2.cv2' (/usr/local/lib/python3.7/dist-packages/cv2/cv2.cpython-37m-x86_64-linux-gnu.so)

pude solucionarlo instalando una versión de opencv-python-headless anterior con el siguiente comando

!pip install opencv-python-headless==4.1.2.30

versiones superiores al parecer tienen conflicto.

logre arregla el problema de versiones 2/12/22

  1. de archivo comentar estas primeras 3 descargar asi lo importante es no descargar nada ahora mismo ya que si lo hacene traen versiones con las que object detecciion ya no trabaja :
    les hablo de estas lineas exactamente

!pip install tf_slim

!pip install tf-models-official

!pip install lvis

  1. corren la descarga de object detection , no importa que les salga error lo que queremos es que me descargue la carpeta models en la pate izquierda donde va venir un archivo .txt llamado requeriments.txt lo abren hay mismo colab y lo modifican con estas versiones :

Required for apache-beam with PY3

avro-python3
apache-beam
pillow
lxml
matplotlib
Cython
contextlib2
tf-slim1.1.0
six
pycocotools
lvis
scipy
pandas
tf-models-official
2.7.0
tensorflow_io0.23.1
keras
2.7.0

  1. una vez modificado el archivo porocen a instalarlo con el comando

!pip install -r requeriments.txt

listo !

les va mandar un warning que reinicien el entorno pues lo hacen y vuenve a ejecutar
el comando
!pip install -r requeriments.txt

y listo ya puedes seguir con la clase

links que ayudaron estuve estancado 1 dia completo espero ahorrales time a ustedes .

https://github.com/tensorflow/models/issues/10479

https://www.youtube.com/watch?v=DUGqDBVkUxo

ModuleNotFoundError: No module named ‘tensorflow.python.keras.layers.preprocessing’

En mi caso tuve este error y comparto como lo solucioné.

Al momento de realizar el video, al parecer parece que la versión de TF era la 2.7, pero el tiempo pasó y las versiones cambiaron.

en algun momento del video el profesor recomienda instalar:

!pip install tf-models-official==2.7.0

y tambíen hay que clonar el respositorio de GitHub de ese mismo paquete con el siguiente comando que proveee el profesor:

!git clone --quiet https://github.com/tensorflow/models.git

El problema es que este segundo comando, al no tener especificado el TAG de git, instala la última versión, la 2.8 y ahí hay una incompatibilidad de versiones. El primer comando instala la versión 2.7 y el segundo la versión 2.8

Para solucionarlos yo ejecute el comando !pip install tf-models-official sin la versión

Si sale el error:

AttributeError: 'MirroredStrategy' object has no attribute 'experimental_run_v2'

Pueden ir al archivo /content/models/research/object_detection/model_main_tf2.py y cambiar la función:

strategy.experimental_run_v2(
      _dummy_computation_fn, args=(
          features,
          labels,
      )) 

por:

strategy.run(
      _dummy_computation_fn, args=(
          features,
          labels,
      )) 

Este error sale, porque la función ya no es experimental.

Antes de empezar el entrenamiento instalen estas librerías si tienen errores

!pip install opencv-python-headless==4.1.2.30
!pip install tensorflow-io

es un dolor de cabeza, las versiones se actualizan y dejan de ser compatibles, algunas. Pero logre llegar hasta aqui con mi propio modelo

Las librerias de opencv no estaban siendo compatibles. Así que tuve que desinstalarla y volverla a instalar por otra versión más vieja.

!pip uninstall opencv-python-headless==4.5.5.62
!pip install opencv-python-headless==4.5.2.52