Reto aplicado a mi proyecto.
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 sesiónRe-entrenamiento del modelo para obtener mejores resultados
22/33Recursos
Aportes 9
Preguntas 2
Ordenar por:
El mio no lo hizo tan mal
Reto Cumplido
aqui va el mio…muy bien hasta ahora
Me funciono mal, siento que detecta bien, solo que la imagen se giro sola, que opinan?
Reto aplicado con el modelo 2.0, aplicado a nuevas imágenes:
El nuevo modelo no reconoce muy bien las motos, porque realmente en el nuevo dataset, las imágenes tenían muy pocas motos, por lo tanto, el número de muestras fue mucho menor.
Aquí los resultados del entrenamiento con el nuevo dataset, aun se debe mejorar…
Un aporte referente a algo que me pasó en el script json-tfrecord… Los nombres de las imágenes en el nuevo dataset, contienen espacios y paréntesis, lo que hace que al generarse los JSON desde LinkedAI, los nombres cambien de la siguiente manera:
Donde hay espacios " ", convierte a signo +
Donde hay un (, convierte a %28
Y finalmente, donde hay ), convierte a %29
Por lo tanto, cuando se convierte el el JSON a CSV, los nombres también quedan con este nuevo formato de nombre (ejemplo: donde originalmente el nombre es 3 (4).png, el nuevo nombre es 3+%284%29.png). Por lo cual, cuando se ejecuta el script que genera el TFRecord, probablemente arroja un error así:
Lo que yo hice para solucionarlo, fue tomar los dos archivos CSV ya generados (train y test) con este formato, y modificarlos de esta manera:
import csv
with open('/content/test_labels.csv') as csv_file:
with open('test_labels_fixed.csv', 'w') as out_file:
for row in csv.reader(csv_file, delimiter=','):
row[1] = row[1].replace("+"," ")
row[1] = row[1].replace("%28","(")
row[1] = row[1].replace("%29",")")
csv.writer(out_file).writerow(row)
Espero que esto pueda servir de algo a quién también se le presente este error. Saludos.
Por el desbalanceo de clases, el modelo tal cual ha sido entrenado calcula coches casi con total probabilidad:
Para solucionarlo so suyo sería repetir el proceso añadiendo más imágenes de motos.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.