Utilizando un modelo de object detection pre-entrenado

Tuve varios problemas con esta línea: `from object_detection.builders import model_builder` Arrojaba diferentes errores respecto a keras. Lo que me funcionó fue instalar keras manualmente usando las siguientes instrucciones: `!pip install tensorflow==2.15.0` y `!pip install keras==2.15.0` Ambas líneas deben colocarse una de debajo de otra después de la instalación de "object\_detection" y es que su setup instala las últimas versiones de tf y keras lo cual causa los conflictos. Por cierto, también utilicé la versión 4.8.0.76 de opencv-python-headless y moví los "import" iniciales después de la línea que instala keras. Y es que instalar tf y keras reinicia la sesión.

Tuve el siguiente error al importar el model_builder:

ImportError: numpy.core.multiarray failed to import

Para solucionarlo desinstale los siguientes paquetes:

!pip uninstall numpy opencv-python tensorflow matplotlib pyinstaller

Y los volví a instalar así:

!pip install opencv-python tensorflow matplotlib pyinstaller

Pd. Estoy usando colab y este no me permite instalar las versiones especificas que propone el profesor.

Para utilizar un modelo de \*\*Object Detection pre-entrenado\*\* en TensorFlow (o en cualquier framework compatible con TensorFlow, como `tf2`), puedes seguir estos pasos: \### Paso 1: Instalar las dependencias necesarias Asegúrate de tener instaladas las bibliotecas requeridas, incluyendo TensorFlow y el módulo de detección de objetos. ```bash pip install tensorflow tensorflow-hub tensorflow-object-detection-api ``` \### Paso 2: Descargar el modelo pre-entrenado Puedes descargar un modelo pre-entrenado desde el \[TensorFlow Model Zoo]\(https://github.com/tensorflow/models/blob/master/research/object\_detection/g3doc/detection\_model\_zoo.md). Aquí hay un ejemplo de cómo cargar un modelo pre-entrenado de detección de objetos: ```python import tensorflow as tf import tensorflow\_hub as hub from object\_detection.utils import label\_map\_util from object\_detection.utils import visualization\_utils as vis\_util \# Cargar el modelo preentrenado MODEL\_NAME = 'ssd\_inception\_v2\_coco\_2017\_11\_17' # Puedes elegir otros modelos de Object Detection \# Cargar el modelo pre-entrenado desde TensorFlow Hub PATH\_TO\_MODEL = f'./models/{MODEL\_NAME}/saved\_model' \# Cargar el modelo model = tf.saved\_model.load(PATH\_TO\_MODEL) \# Cargar la etiqueta del mapeo (labels) PATH\_TO\_LABELS = 'models/research/object\_detection/data/mscoco\_label\_map.pbtxt' category\_index = label\_map\_util.create\_category\_index\_from\_labelmap(PATH\_TO\_LABELS, use\_display\_name=True) ``` \### Paso 3: Cargar y preprocesar una imagen A continuación, carga una imagen y prepárala para pasarla al modelo. ```python import numpy as np import matplotlib.pyplot as plt import cv2 \# Función para cargar imagen def load\_image\_into\_numpy\_array(image\_path): image = np.array(cv2.imread(image\_path)) return image \# Cargar una imagen de ejemplo image\_path = 'path\_to\_your\_image.jpg' image\_np = load\_image\_into\_numpy\_array(image\_path) image\_np\_expanded = np.expand\_dims(image\_np, axis=0) # Añadir la dimensión de batch ``` \### Paso 4: Realizar la detección Ahora puedes pasar la imagen preprocesada a tu modelo para hacer la detección. ```python \# Realizar la detección de objetos input\_tensor = tf.convert\_to\_tensor(image\_np\_expanded, dtype=tf.float32) model\_fn = model.signatures\['serving\_default'] output\_dict = model\_fn(input\_tensor) \# Los resultados son dictados en el formato: \# 'detection\_boxes', 'detection\_classes', 'detection\_scores', 'num\_detections' boxes = output\_dict\['detection\_boxes'].numpy() classes = output\_dict\['detection\_classes'].numpy().astype(np.int32) scores = output\_dict\['detection\_scores'].numpy() num = int(output\_dict\['num\_detections'].numpy()) \# Visualizar los resultados vis\_util.visualize\_boxes\_and\_labels\_on\_image\_array( image\_np, boxes\[0], classes\[0], scores\[0], category\_index, instance\_masks=None, use\_normalized\_coordinates=True, line\_thickness=8) \# Mostrar la imagen con las detecciones plt.imshow(image\_np) plt.show() ``` \### Explicación: 1\. \*\*Modelo Pre-entrenado\*\*: Cargamos un modelo de detección de objetos pre-entrenado desde un directorio guardado, especificando su ruta. 2\. \*\*Preprocesamiento\*\*: Las imágenes deben ser cargadas y ajustadas para ser aceptadas por el modelo. Se convierten a matrices numpy y se expanden para agregar la dimensión del batch. 3\. \*\*Inferencia\*\*: Pasamos la imagen al modelo para obtener las predicciones de los objetos detectados, que incluyen las coordenadas de las cajas delimitadoras, las clases y las puntuaciones de confianza. 4\. \*\*Visualización\*\*: Finalmente, utilizamos las utilidades de visualización para dibujar las cajas delimitadoras y las etiquetas sobre la imagen.

Si hay alguien que quiere usar este cuaderno en entorno local, en Windows, hice un repositorio que explica la instalación de los paquetes necesarios. Espero sea útil. <https://github.com/mardelmariam/nvidia_cuda_tensorflow/>