Etiquetado de los datos de test

Clase 13 de 33 • Curso Profesional de Computer Vision con TensorFlow

Clase anteriorSiguiente clase

Nicolas Erices Mendez

student•

si no te funciona LinkedAi utilizá https://roboflow.com/ es mejor y la interfaz es reparecida solo que esta si funciona

richard nina

student•

Mi experiencia con Roboflow no fue muy buena por que tu información es publica desde el primer momento, y antes de iniciar el proyecto debes contactar a servicio para que te den un plan pagado. Cuando quice borrar mis fotos, no me la dejaron facil.

Raul Perez-Alejo Neyra

student•

En mi caso estoy usando unas imagenes medio grandes y cuando las subí a LindedIA medio que se demoraba un décimo de segundo en cargar la nueva imagen. Probé con la aplicacion desktop "labelimg" y la verdad una maravilla, hice el trabajo mucho más rápido.

Limitaciones: No permite trabajar en grupos, no da gráficos de estadisticas del avance del trabajo....

por lo demás, hizo el trabajo muy bien

Camilo Jose Bolaños Villarroel

student•

Otra manera de etiquetarla puedes usar https://labelstud.io/

Jose Luis Resendiz Gutierrez

student•

Está genial! Gracias por este aporte

Luis Rogelio Reyes Hernandez

student•

Muy buena herramienta, el Label Img que comenta el profesor se ha fucionado a label studio y es una herramienta de codigo abierto y de todas la que comentaron y probe me parece la mejor.

Mas adelante nos tocara procesar el dataset etiquetado y label studio no exporta el mismo formato que usa el profesor en mi colab uso la exportacion en formato coco de label studio y genero el CSV que usa el profesor.

Anthony Ismael Manotoa Moreno

student•

Proceso de etiquetado con LinkedAI: @youtube

Angel David Sasso Villa

student•

Es posible seleccionar varios bounding box cada uno con su clase en una imagen?

Adonai Vera

teacher•

Hola Angel, claro que sí. Esa es una de las ventajas de los algoritmos de detección de objetos, puedes seleccionar múltiples objetos, agregarle el bounding box y a su vez asignarlos en una clase. Cuando llegues a la clase de inferencia verás que a cada uno de los objetos detectados en la imagen se genera la ubicación (bounding box) , su clase, y un porcentaje de precisión.

saludos

Eber Laurente Lliuyacc

student•

En LinkeAI traté de subir toda la carpeta, NO FUNCIONA. Se tiene que arrastrar las imágenes, seleccionado las que queramos.

ivan josue ortiz alban

student•

tienes que arrastras imagenes , no reconoce carpetas, es decir sobrea todas las imagenes del cada carpeta :train o tes por cual dececidas comenzar y sombrear todas las imagenes y listo arrastras ahora si las lee

Victor Benjamin Ghiggo de la Cruz

student•

ya no vale LinkedAi, actualicen el curso please v:

Edwin Cristian

student•

estoy trabajando de manera normal, solo lleva la actualización

Máximo Fernández Núñez

student•

Hola alguien conoce una herramienta para etiquetado para segmentación? gracias

Adonai Vera

teacher•

Hola Máximo, Me gusta mucho Supervisely, es abierta puedes cargar multiples bases de datos y puedes hacer segmentación.

https://supervise.ly/

Me cuentas, saludos

Mario Alexander Vargas Celis

student•

El etiquetado de los datos de test es esencial para evaluar correctamente el rendimiento de un modelo de machine learning, ya que permite comparar las predicciones del modelo con las etiquetas reales. Aquí tienes algunas recomendaciones para etiquetar tus datos de test:

### 1. **Crear un sistema de etiquetado consistente**

- Si trabajas con datos de imágenes, asegúrate de usar un sistema de nombres o etiquetas consistente. Por ejemplo, puedes almacenar las etiquetas en un archivo CSV o en un formato JSON, con una estructura como:

- imagen\_001.jpg, etiqueta

- imagen\_002.jpg, etiqueta

Ejemplo en CSV:

```csv

filename, label

imagen_001.jpg, perro

imagen_002.jpg, gato

```

Ejemplo en JSON:

```json

{

"imagen_001.jpg": "perro",

"imagen_002.jpg": "gato"

}

```

### 2. **Herramientas para etiquetar datos visuales**

- Existen herramientas que facilitan el etiquetado, especialmente en proyectos de visión computarizada:

- **LabelImg**: Herramienta gratuita para etiquetar imágenes con cuadros delimitadores (bounding boxes), útil para tareas de detección de objetos.

- **Labelbox**, **SuperAnnotate** y **VGG Image Annotator (VIA)**: Son herramientas versátiles que permiten trabajar con diferentes tipos de etiquetas, incluyendo segmentación y clasificación.

### 3. **Automatizar el etiquetado cuando sea posible**

- Para grandes cantidades de datos, el etiquetado manual puede ser ineficiente. Una estrategia común es usar un modelo preentrenado para etiquetar automáticamente los datos y luego realizar una revisión manual.

- Puedes usar modelos de visión computarizada preentrenados en bibliotecas como **TensorFlow**, **PyTorch** o **Hugging Face**, y después hacer un ajuste fino.

### 4. **Validación de etiquetas**

- Asegúrate de que el conjunto de test esté etiquetado con precisión para evitar un sesgo en la evaluación del modelo. Esto puede requerir una revisión manual o una validación cruzada de las etiquetas.

### 5. **Ejemplo de lectura de etiquetas en Python**

Si ya tienes un archivo CSV con las etiquetas, aquí tienes un código para cargarlo usando pandas:

```python

import pandas as pd

# Leer archivo CSV con etiquetas

etiquetas = pd.read_csv('test_labels.csv')

# Acceder a una etiqueta específica

etiqueta_imagen = etiquetas.loc[etiquetas['filename'] == 'imagen_001.jpg', 'label'].values[0]

print(f"La etiqueta de imagen_001.jpg es: {etiqueta_imagen}")

```

### 6. **Estructura de carpetas para etiquetas de test**

- Si tu sistema de archivos permite organizar imágenes de test por categoría, podrías crear subcarpetas dentro de la carpeta de test para cada etiqueta. Por ejemplo:

```

test/

├── perro/

│ ├── imagen_001.jpg

│ ├── imagen_003.jpg

└── gato/

├── imagen_002.jpg

├── imagen_004.jpg

```

Organizar y etiquetar correctamente el conjunto de test es fundamental para realizar evaluaciones precisas y garantizar que el modelo se comporte bien en datos no vistos.

Jhon Freddy Tavera Blandon

student•

¿Por qué es importante el etiquetado?

En problemas de detección de objetos como la detección de vehículos en videos, el etiquetado no solo consiste en identificar si en una imagen hay un carro o una motocicleta, sino también en proporcionar la ubicación exacta de estos objetos dentro de la imagen (usualmente mediante cajas delimitadoras o bounding boxes). Este etiquetado es fundamental porque el modelo necesita aprender no solo a clasificar, sino también a localizar los objetos.

Etiquetado de los datos de test

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