Introducción a object detection: clasificación + localización

Curso Profesional de Computer Vision con TensorFlow

Contenido del curso

Comprender la visión computarizada

Dimensionamiento de proyecto de visión computarizada

Obtención y procesamiento de los datos

Entrena, testea y optimiza tus modelos

Producto con visión computarizada en producción

Siguientes pasos en inteligencia artificial

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0012:10

Introducción a object detection: clasificación + localización

Curso Profesional de Computer Vision con TensorFlow

Clase 4 de 33

Clase 4 / 33

Mario Alexander Vargas Celis

Hace 2 años

La **detección de objetos** (object detection) es una tarea de la visión computarizada que combina dos aspectos fundamentales: la **clasificación** y la **localización** de objetos en una imagen. Es una de las áreas más aplicadas en campos como la seguridad, el comercio y la conducción autónoma, ya que permite a los sistemas identificar y localizar objetos de interés en tiempo real.

### 1. Clasificación + Localización: Componentes clave de la detección de objetos

La detección de objetos consiste en:

- **Clasificación**: Identificar qué tipo de objeto está presente en una imagen o en una región de la imagen. Esto implica asignar una etiqueta a cada objeto (por ejemplo, "persona", "perro" o "auto").

- **Localización**: Determinar la posición de cada objeto en la imagen. Esto se representa comúnmente con **cajas delimitadoras** (bounding boxes) que encierran cada objeto, especificando sus coordenadas y permitiendo así su ubicación precisa.

La detección de objetos combina estas dos tareas al mismo tiempo. Esto significa que no solo dice qué objeto está presente, sino que también señala dónde está cada objeto en la imagen.

### 2. Técnicas y enfoques en la detección de objetos

Para lograr la combinación de clasificación y localización, los modelos de detección de objetos han evolucionado hacia arquitecturas que pueden detectar múltiples objetos en diferentes posiciones. Existen algunos enfoques comunes en la detección de objetos:

#### Modelos basados en regiones (R-CNN y variantes)

- **R-CNN (Regions with Convolutional Neural Networks)**: Fue uno de los primeros modelos para detección de objetos. Genera propuestas de regiones (posibles ubicaciones de objetos) y luego usa una red neuronal convolucional para clasificar y ajustar una caja delimitadora.

- **Fast R-CNN y Faster R-CNN**: Mejoran la velocidad y precisión de R-CNN mediante la optimización de la generación de regiones y el uso de una única red para clasificar y ajustar las cajas en lugar de analizar cada región de forma individual.

#### Modelos de detección en un solo paso (YOLO, SSD)

- **YOLO (You Only Look Once)**: YOLO es un modelo de detección en un solo paso que procesa la imagen completa en una sola pasada, dividiéndola en una cuadrícula y prediciendo directamente las cajas y clasificaciones de los objetos. Es extremadamente rápido, ideal para aplicaciones en tiempo real.

- **SSD (Single Shot MultiBox Detector)**: Similar a YOLO, SSD detecta objetos en una sola pasada pero mejora la precisión mediante el uso de diferentes tamaños de cajas para detectar objetos de diversas escalas.

Estos enfoques permiten detectar múltiples objetos en una imagen, cada uno con una caja delimitadora y una etiqueta de clasificación.

### 3. Métricas en la detección de objetos: IoU y mAP

Las métricas comunes en detección de objetos incluyen:

- **IoU (Intersection over Union)**: Mide la superposición entre la caja delimitadora predicha y la caja delimitadora real. Cuanto más alta sea la IoU, más precisa es la detección.

- **mAP (Mean Average Precision)**: Promedio de precisión en todas las clases detectadas en un conjunto de datos. Es una métrica usada para evaluar la precisión general del modelo de detección.

### 4. Aplicaciones de la detección de objetos

La combinación de clasificación y localización es fundamental para una gran variedad de aplicaciones prácticas:

- **Conducción autónoma**: Para identificar y localizar peatones, vehículos, señales de tránsito, entre otros elementos en la carretera.

- **Sistemas de vigilancia**: Para detectar personas u objetos sospechosos y rastrear su ubicación.

- **Análisis de imágenes médicas**: En diagnóstico, para detectar y localizar células o patrones anómalos, como tumores en escáneres médicos.

- **Retail y comercio electrónico**: Identificación y conteo de productos en almacenes o estanterías.

### 5. Cómo funciona un modelo típico de detección de objetos

En términos básicos, el proceso de detección de objetos sigue estos pasos:

1. **Preprocesamiento**: La imagen es transformada (por ejemplo, cambiada de tamaño) para adaptarse al modelo.

2. **Generación de propuestas de región** (en modelos basados en regiones) o **pasada completa en una cuadrícula** (en modelos de un solo paso).

3. **Clasificación y ajuste de cajas**: Para cada región, el modelo clasifica y ajusta las cajas delimitadoras para identificar los objetos presentes y su ubicación.

4. **Post-procesamiento**: Filtrado de resultados redundantes mediante técnicas como supresión de no-máximos (Non-Maximum Suppression, NMS) para asegurar que cada objeto tenga una única detección.

La detección de objetos es fundamental en visión computarizada, y los avances en esta tecnología han mejorado considerablemente la precisión y eficiencia en aplicaciones prácticas y en tiempo real.

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

Introducción a object detection: clasificación + localización