Entrenamiento de Modelos de Visión con Google Cloud

Curso de Big Data y Machine Learning con Google Cloud Platform

Contenido del curso

Manejo de Big Data

Herramientas de inteligencia artificial

Proyecto: Clon de Google Photos (Parte 4 de 4)

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0014:25

Entrenamiento de Modelos de Visión con Google Cloud

Curso de Big Data y Machine Learning con Google Cloud Platform

Clase 13 de 19

Clase 13 / 19

Recursos

¿Cómo crear un proyecto y configurar el entorno en Google Cloud?

Empezar con Google Cloud puede parecer complicado, pero con este paso a paso estarás listo para trabajar en proyectos de visión por computadora en poco tiempo. Google Cloud ofrece herramientas poderosas para la creación de proyectos de aprendizaje automático y detección de imágenes, por lo que es esencial comenzar con una base sólida.

Crear un proyecto en Google Cloud Console:
- Inicia sesión y crea un nuevo proyecto, dando un nombre descriptivo.
Configurar Vertex AI:
- Accede al menú superior izquierdo y selecciona Vertex AI.
- Dirígete a la opción de datasets para empezar a trabajar con tus conjuntos de datos.
Subir imágenes:
- Sube las imágenes desde tu ordenador para usarlas en el proyecto. Recuerda que deben estar previamente descargadas y organizadas.
- Crea un bucket en Cloud Storage, eligiendo opciones como tipo estándar y políticas de seguridad uniforme.

¿Cómo etiquetar y entrenar el modelo de imágenes?

La etiquetación es una fase crucial en cualquier proyecto de visión por computadora. Aquí te mostramos cómo etiquetar tus imágenes y usar AutoML para entrenar tu modelo en Google Cloud.

Asignación de etiquetas:
- Utiliza la herramienta de etiquetado para seleccionar y marcar zonas de las imágenes donde se encuentra el objeto de interés, en este caso, cascos de seguridad.
- Crea un label "cascos" y aplícalo a todas las imágenes necesarias.
Entrenamiento del modelo:
- Selecciona "train new model" en Vertex AI y usa la opción de AutoML.
- Adecua el entrenamiento según tus necesidades, optando por precisión o rapidez.
- Establece un máximo de horas nodo para gestionar los recursos de manera óptima y deja que el sistema complete el entrenamiento entre 40 y 50 minutos.

¿Cómo desplegar y probar el modelo en Google Cloud?

Después del entrenamiento, el siguiente paso es desplegar y probar el modelo recién entrenado, asegurándote de que cumple con el objetivo.

Despliegue del modelo:
- Dirígete a la consola de Google Cloud y selecciona el modelo entrenado.
- Crea un endpoint para el modelo que permita operar y validar nuevas imágenes fuera del conjunto de entrenamiento inicial.
Validar con imágenes nuevas:
- Sube imágenes de validación que no fueron parte del entrenamiento inicial.
- Observa los resultados para verificar la efectividad del modelo. Los rectángulos detectados en las imágenes indicarán los objetos reconocidos con su nivel de precisión.

Al dominar estos pasos, no solo comprenderás mejor el proceso técnico, sino que también podrás adaptar este conocimiento a nuevas tareas y proyectos de visión por computadora en el futuro. ¡Atrévete a experimentar y expandir tus habilidades!

Jhon Freddy Tavera Blandon

Hace 2 años

Preparación de Datos:

Ingestión de Datos: Importa tus imágenes desde fuentes como Google Cloud Storage u otras plataformas de almacenamiento.
Etiquetado de Datos: Etiqueta tus imágenes con información relevante como categorías, objetos, regiones de interés, etc.
Preprocesamiento de Datos: Aplica transformaciones como redimensionamiento, normalización, aumento de datos, entre otros, para mejorar la calidad de tus datos y la eficiencia del entrenamiento.

2. Desarrollo de Modelos:

Elección del Modelo: Vertex AI ofrece modelos preentrenados para tareas comunes como detección de objetos, clasificación de imágenes, reconocimiento facial, etc. También puedes entrenar modelos personalizados con TensorFlow, PyTorch u otras bibliotecas de ML.
Entrenamiento del Modelo: Utiliza tus datos etiquetados para entrenar el modelo, ajustando hiperparámetros y realizando validación cruzada para mejorar la precisión y generalización.

3. Evaluación del Modelo:

Validación del Modelo: Evalúa el rendimiento del modelo utilizando métricas como precisión, recall, F1-score, etc., en conjuntos de datos de prueba.
Análisis de Errores: Identifica y comprende los errores del modelo para iterar y mejorar su desempeño.

4. Implementación y Despliegue:

Despliegue del Modelo: Implementa el modelo entrenado como un servicio API para realizar inferencias en tiempo real.
Integración con Aplicaciones: Integra el servicio API de visión artificial en tus aplicaciones para realizar tareas como reconocimiento de objetos, clasificación de imágenes, detección de anomalías, etc.

5. Monitoreo y Gestión:

Monitoreo del Servicio: Supervisa el rendimiento del servicio API de visión artificial en producción, incluyendo métricas de latencia, uso de recursos y precisión.
Actualización y Mantenimiento: Realiza actualizaciones periódicas del modelo y del servicio para mantener su precisión y relevancia.

Manejo de Big Data

Big Data y Machine Learning en Google Cloud Platform

Google Cloud y Big Data: Historia, Servicios y Aplicaciones Prácticas

Google Cloud Platform para Big Data: Arquitectura y Seguridad

Exploración de Servicios Big Data e IA en Google Cloud

Procesamiento de Datos con Cloud Dataflow en Google Cloud

Características y Funcionalidades de BigQuery

Integración de BigQuery con Data Studio: Creación de Dashboards

Funcionamiento de PubSub en Google Cloud y su Integración con Dataflow

Integración de PubSub, Dataflow y BigQuery en Google Cloud

Herramientas de inteligencia artificial

Aplicación de Machine Learning en Industrias y Estrategias de Adopción

Roles en Vertex AI y su integración con Google Cloud

Flujo de Trabajo en Vertex AI: Integración y Despliegue de Modelos

Entrenamiento de Modelos de Visión con Google Cloud

Machine Learning APIs: Análisis Predictivo y Prescriptivo

Creación de Modelos Predictivos con AutoML en Google Cloud

Conclusiones del Curso de Big Data e Inteligencia Artificial

Proyecto: Clon de Google Photos (Parte 4 de 4)

Clonación de Infraestructura con Vision API y Base de Datos

Despliegue de Funciones en GCP con Vision API y Firestore

Implementación de Firestore y Vision API en Aplicaciones Cloud

Entrenamiento de Modelos de Visión con Google Cloud

Progreso del curso

Manejo de Big Data

Herramientas de inteligencia artificial

Proyecto: Clon de Google Photos (Parte 4 de 4)

Recursos

Recursos