Carga de dataset de object detection

Para poder descargar directamente un dataset de Kaggle a Colab sin pasar por la máquina que estemos utilizando:

!mkdir ~/.kaggle
!touch ~/.kaggle/kaggle.json

#Los siguientes datos se obtienen del archivo kaggle.json:
api_token = {“username”:[usuario de kaggle],“key”:[api key de Kaggle]}

import json

with open(’/root/.kaggle/kaggle.json’, ‘w’) as file:
json.dump(api_token, file)

!chmod 600 ~/.kaggle/kaggle.json

!kaggle datasets download -d alincijov/self-driving-cars

El .zip se descargará a ‘/content’

Para clonar el repo de TF:

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

Si alguien tiene problema en un MAC M1 hacer este cambio. Fijarse en la versión en vez de la dos

cd models/research/
protoc object_detection/protos/*.proto --python_out=.
cp object_detection/packages/tf1/setup.py .
python -m pip install . --no-deps

Fuente: https://github.com/B1tstorm/customized_object_detection_system/issues/13

hermanos 😤

%%bash
cd models/research/
protoc object_detection/protos/*.proto --python_out-.
cp object_detection/packages/tf2/setup.py .
python -m pip install .

Hola, estoy intentando desarrollar los pasos desde WSL2 en local pero al intentar importar object\_detection me sale el siguiente error ImportError: cannot import name 'vis' from 'object\_detection.utils'

Para cargar un dataset de detección de objetos en Python, puedes usar bibliotecas como `TensorFlow`, `PyTorch`, o herramientas específicas de carga de datos. Aquí hay una guía para cargar datasets comunes: \### 1. Usando `TensorFlow` y `tf.data.Dataset`: Puedes cargar imágenes y anotaciones con `tf.data.Dataset` para crear un pipeline de datos eficiente. ```python import tensorflow as tf import os \# Ruta del dataset (imágenes y anotaciones) image\_dir = '/ruta/a/imagenes' annotation\_dir = '/ruta/a/anotaciones' def parse\_image\_and\_annotation(image\_path): \# Carga de la imagen image = tf.io.read\_file(image\_path) image = tf.image.decode\_jpeg(image, channels=3) \# Aquí puedes cargar y parsear las anotaciones correspondientes \# Por ejemplo, usando un formato como COCO o Pascal VOC. return image, annotation # Devolver la imagen y la anotación \# Crear un Dataset de TensorFlow image\_paths = \[os.path.join(image\_dir, f) for f in os.listdir(image\_dir)] dataset = tf.data.Dataset.from\_tensor\_slices(image\_paths) dataset = dataset.map(parse\_image\_and\_annotation) ``` \### 2. Usando `PyTorch` y `torchvision`: La biblioteca `torchvision` proporciona métodos para cargar datasets como COCO y PASCAL VOC. ```python import torchvision from torchvision import transforms from torch.utils.data import DataLoader \# Transformaciones de imagen (puedes agregar más según tus necesidades) transform = transforms.Compose(\[ transforms.ToTensor() ]) \# Carga del dataset COCO coco\_dataset = torchvision.datasets.CocoDetection( root='/ruta/a/imagenes', annFile='/ruta/a/anotaciones/annotations.json', transform=transform ) \# Crear un DataLoader para iterar sobre el dataset dataloader = DataLoader(coco\_dataset, batch\_size=4, shuffle=True) \# Iterar sobre el dataloader for images, targets in dataloader: print("Imágenes:", images.shape) print("Anotaciones:", targets) ``` \### 3. Usar bibliotecas especializadas como `FiftyOne`: `FiftyOne` es una biblioteca poderosa para explorar y cargar datasets de visión por computadora. ```python import fiftyone as fo \# Cargar el dataset COCO dataset = fo.zoo.load\_zoo\_dataset( "coco-2017", split="validation", dataset\_dir="/ruta/a/dataset/coco" ) \# Visualizar el dataset en FiftyOne session = fo.launch\_app(dataset) ``` \### Tips: \- \*\*Formatos de anotación\*\*: Asegúrate de que el formato de anotación sea compatible (COCO, PASCAL VOC, etc.). \- \*\*Transformaciones\*\*: Aplica transformaciones (como redimensionar o normalizar) para ajustar el dataset a tu modelo. \- \*\*Data Augmentation\*\*: Puedes usar bibliotecas como `Albumentations` para aumentar el dataset y mejorar la robustez del modelo. Esto debería proporcionarte un punto de partida sólido para cargar y utilizar datasets de detección de objetos.

Estaria bueno tener el requirements.txt para simplemente instalar todo de un solo, no? 🤔

Buenas noches, en google colab no me deja instalar opencv-python-headless==4.1.2.30 ni tensorlow==2.7.0. Me sale lo siguiente: