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

A煤n no tienes acceso a esta clase

Crea una cuenta y contin煤a viendo este curso

Entrena, evalua y optimiza con TensorBoard

20/32
Recursos

Aportes 8

Preguntas 8

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.

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 librer铆a

!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 versi贸n 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 鈥榯ensorflow.python.keras.layers.preprocessing鈥

En mi caso tuve este error y comparto como lo solucion茅.

Al momento de realizar el video, al parecer parece que la versi贸n de TF era la 2.7, pero el tiempo pas贸 y las versiones cambiaron.

en algun momento del video el profesor recomienda instalar:

!pip install tf-models-official==2.7.0

y tamb铆en 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 煤ltima versi贸n, la 2.8 y ah铆 hay una incompatibilidad de versiones. El primer comando instala la versi贸n 2.7 y el segundo la versi贸n 2.8

Para solucionarlos yo ejecute el comando !pip install tf-models-official sin la versi贸n

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 funci贸n:

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

por:

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

Este error sale, porque la funci贸n ya no es experimental.

Antes de empezar el entrenamiento instalen estas librer铆as 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. As铆 que tuve que desinstalarla y volverla a instalar por otra versi贸n m谩s vieja.

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