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

Re-entrenamiento del modelo para obtener mejores resultados

22/33
Recursos

Aportes 9

Preguntas 2

Ordenar por:

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

o inicia sesi贸n.

Reto aplicado a mi proyecto.

El mio no lo hizo tan mal

Reto Cumplido

aqui va el mio鈥uy 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 im谩genes:

El nuevo modelo no reconoce muy bien las motos, porque realmente en el nuevo dataset, las im谩genes ten铆an muy pocas motos, por lo tanto, el n煤mero de muestras fue mucho menor.

Aqu铆 los resultados del entrenamiento con el nuevo dataset, aun se debe mejorar鈥

Un aporte referente a algo que me pas贸 en el script json-tfrecord鈥 Los nombres de las im谩genes en el nuevo dataset, contienen espacios y par茅ntesis, 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 tambi茅n 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 as铆:

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 qui茅n tambi茅n 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 ser铆a repetir el proceso a帽adiendo m谩s im谩genes de motos.