Arquitecturas relevantes en object detection

Clase 7 de 31 • Curso de Detección y Segmentación de Objetos con TensorFlow

María Camila Durango Barrera

teacher•

Este blog es mágico para continuar aprendiendo: https://lilianweng.github.io/posts/2017-10-29-object-recognition-part-1/

Joaquin Romero Flores

student•

Excelente! Le echare un vistazo luego.

Gracias por compartir.

Luis Antonio Colqui Carhuachin

student•

muy buena web , gracias

Mario Alexander Vargas Celis

student•

Aquí tienes una lista de algunas de las arquitecturas más relevantes y populares en detección de objetos, junto con una breve descripción de cada una:

### 1. **R-CNN (Region-based Convolutional Neural Networks)**

- **Descripción:** Introdujo la idea de utilizar una CNN para extraer características de regiones de interés propuestas. Este enfoque utiliza técnicas como Selective Search para generar propuestas de regiones, que luego son clasificadas por una CNN.

- **Ventaja:** Alta precisión en la detección.

### 2. **Fast R-CNN**

- **Descripción:** Mejora de R-CNN que procesa toda la imagen en la CNN una sola vez y utiliza estas características compartidas para clasificar todas las propuestas de región, lo que reduce significativamente el tiempo de inferencia.

- **Ventaja:** Mayor velocidad y eficiencia en comparación con R-CNN.

### 3. **Faster R-CNN**

- **Descripción:** Introduce una Red de Propuestas de Región (RPN) que trabaja en paralelo con la red principal, lo que permite generar propuestas de forma más rápida y eficiente.

- **Ventaja:** Combina velocidad y precisión.

### 4. **YOLO (You Only Look Once)**

- **Descripción:** Aborda la detección de objetos como un problema de regresión en una sola red. Divide la imagen en una cuadrícula y predice bounding boxes y clases de objetos para cada celda en un solo paso.

- **Ventaja:** Extremadamente rápido y adecuado para aplicaciones en tiempo real.

### 5. **SSD (Single Shot MultiBox Detector)**

- **Descripción:** Similar a YOLO, pero utiliza múltiples capas para detectar objetos de diferentes escalas, lo que mejora la precisión en objetos pequeños.

- **Ventaja:** Balance entre velocidad y precisión.

### 6. **RetinaNet**

- **Descripción:** Combina la arquitectura de un solo disparo con un nuevo tipo de pérdida llamada "focal loss", que ayuda a manejar el desbalance entre clases en el entrenamiento.

- **Ventaja:** Alta precisión en objetos difíciles de detectar, manteniendo una velocidad razonable.

### 7. **Mask R-CNN**

- **Descripción:** Extensión de Faster R-CNN que agrega una rama para la segmentación de instancias, permitiendo no solo la detección de objetos, sino también la segmentación de sus contornos.

- **Ventaja:** Capacidad de realizar detección y segmentación simultáneamente.

### 8. **CenterNet**

- **Descripción:** Enfocado en detectar el centro de los objetos y predecir sus dimensiones. Utiliza un enfoque de detección basado en puntos en lugar de propuestas de región.

- **Ventaja:** Simplicidad y efectividad en la detección de objetos.

### 9. **DETR (Detection Transformer)**

- **Descripción:** Un enfoque más reciente que utiliza arquitecturas de transformadores para detectar objetos directamente a partir de la representación de la imagen, eliminando la necesidad de propuestas de región.

- **Ventaja:** Innovador, con resultados competitivos en precisión.

### 10. **Cascade R-CNN**

- **Descripción:** Mejora la precisión utilizando múltiples etapas de detección en cascada, refinando las predicciones en cada etapa.

- **Ventaja:** Precisión mejorada a través de un enfoque estructurado.

### 11. **EfficientDet**

- **Descripción:** Basado en EfficientNet, optimiza la arquitectura para detección de objetos. Utiliza una combinación de técnicas de escalado para mejorar la eficiencia.

- **Ventaja:** Alta precisión con menor costo computacional.

### 12. **Focal Loss**

- **Descripción:** No es una arquitectura en sí, pero es una técnica que se utiliza en modelos como RetinaNet para abordar el problema del desbalance en la detección de objetos.

- **Ventaja:** Mejora el rendimiento en clases difíciles de detectar.

### Consideraciones Finales

La elección de la arquitectura adecuada depende de varios factores, incluyendo la precisión requerida, la velocidad de inferencia, y los recursos computacionales disponibles. Las arquitecturas más recientes, como DETR y EfficientDet, están ganando popularidad debido a su rendimiento competitivo y eficiencia.

Arquitecturas relevantes en object detection

Introducción a Computer Vision

¿Qué es la visión computarizada y cuáles son sus tipos?

Detección de objetos

Introducción a object detection: sliding window y bounding box

Generando video de sliding window

Introducción a object detection: backbone, non-max suppression y métricas

Visualización de IoU en object detection

Tipos de arquitecturas en detección de objetos

Arquitecturas relevantes en object detection

Utilizando un dataset de object detection

Carga de dataset de object detection

Exploración del dataset de object detection

Visualización de bounding boxes en el dataset de object detection

Aumentado de datos con Albumentation

Implementando Albumentation en object detection

Visualizando imágenes con aumentado de datos

Utilizando un modelo de object detection pre-entrenado

Probar detección de objetos con modelo pre-entrenado

Fine-tuning en detección de objetos

Fine-tuning en detección de objetos: carga de datos

Fine-tuning en detección de objetos: data augmentation

Fine-tuning en detección de objetos: entrenamiento

Fine-tuning en detección de objetos: visualización de objetos

Segmentación de objetos

Introduciendo la segmentación de objetos

Tipos de segmentación y sus arquitecturas relevantes

¿Cómo es un dataset de segmentación?

Utilizando un dataset de segmentación de objetos

Visualización de nuestro dataset de segmentación

Creando red neuronal U-Net para segmentación

Entrenando y estudiando una red de segmentación

Generando predicciones con modelo de object segmentation

Un paso más allá

El estado de la cuestión en computer vision

Comparte tu proyecto de detección y segmentación de objetos para conducción autónoma y certifícate