Aumentado de datos con Albumentation

Detección de objetos

import cv2

import albumentations as A

from albumentations.pytorch import ToTensorV2

import matplotlib.pyplot as plt

\# Configuración de las transformaciones con Albumentations

transform = A.Compose(\[

&#x20;   A.HorizontalFlip(p=0.5),  # Volteo horizontal

&#x20;   A.VerticalFlip(p=0.5),    # Volteo vertical

&#x20;   A.RandomBrightnessContrast(p=0.2),  # Variación de brillo y contraste

&#x20;   A.Rotate(limit=30, p=0.5), # Rotación con un límite de 30 grados

&#x20;   A.RandomSizedBBoxSafeCrop(width=300, height=300, p=0.5),  # Recorte de tamaño

&#x20;   A.Resize(width=400, height=400),  # Redimensionamiento de la imagen

&#x20;   ToTensorV2()                      # Conversión a tensor

], bbox\_params=A.BboxParams(format='pascal\_voc', label\_fields=\['category\_ids']))

\# Imagen de ejemplo y cajas delimitadoras

image = cv2.imread('ruta/a/imagen.jpg')  # Carga tu imagen

image = cv2.cvtColor(image, cv2.COLOR\_BGR2RGB)

\# Bounding boxes en formato Pascal VOC (x\_min, y\_min, x\_max, y\_max)

bboxes = \[\[50, 50, 200, 200], \[150, 150, 300, 300]]  # Coordenadas de ejemplo

category\_ids = \[1, 2]  # Etiquetas de las categorías correspondientes a cada bbox

\# Aplicación de las transformaciones

augmented = transform(image=image, bboxes=bboxes, category\_ids=category\_ids)

augmented\_image = augmented\['image']

augmented\_bboxes = augmented\['bboxes']

\# Visualización de la imagen aumentada y las bounding boxes

fig, ax = plt.subplots(1, 1, figsize=(8, 8))

ax.imshow(augmented\_image.permute(1, 2, 0).cpu().numpy())  # Reordenar si es tensor

for bbox in augmented\_bboxes:

&#x20;   x\_min, y\_min, x\_max, y\_max = bbox

&#x20;   rect = plt.Rectangle((x\_min, y\_min), x\_max - x\_min, y\_max - y\_min, linewidth=2, edgecolor='r', facecolor='none')

&#x20;   ax.add\_patch(rect)

plt.show()

import cv2

import albumentations as A

from albumentations.pytorch import ToTensorV2

import matplotlib.pyplot as plt

\# Configuración de las transformaciones con Albumentations

transform = A.Compose(\[

&#x20;   A.HorizontalFlip(p=0.5),  # Volteo horizontal

&#x20;   A.VerticalFlip(p=0.5),    # Volteo vertical

&#x20;   A.RandomBrightnessContrast(p=0.2),  # Variación de brillo y contraste

&#x20;   A.Rotate(limit=30, p=0.5), # Rotación con un límite de 30 grados

&#x20;   A.RandomSizedBBoxSafeCrop(width=300, height=300, p=0.5),  # Recorte de tamaño

&#x20;   A.Resize(width=400, height=400),  # Redimensionamiento de la imagen

&#x20;   ToTensorV2()                      # Conversión a tensor

], bbox\_params=A.BboxParams(format='pascal\_voc', label\_fields=\['category\_ids']))

\# Imagen de ejemplo y cajas delimitadoras

image = cv2.imread('ruta/a/imagen.jpg')  # Carga tu imagen

image = cv2.cvtColor(image, cv2.COLOR\_BGR2RGB)

\# Bounding boxes en formato Pascal VOC (x\_min, y\_min, x\_max, y\_max)

bboxes = \[\[50, 50, 200, 200], \[150, 150, 300, 300]]  # Coordenadas de ejemplo

category\_ids = \[1, 2]  # Etiquetas de las categorías correspondientes a cada bbox

\# Aplicación de las transformaciones

augmented = transform(image=image, bboxes=bboxes, category\_ids=category\_ids)

augmented\_image = augmented\['image']

augmented\_bboxes = augmented\['bboxes']

\# Visualización de la imagen aumentada y las bounding boxes

fig, ax = plt.subplots(1, 1, figsize=(8, 8))

ax.imshow(augmented\_image.permute(1, 2, 0).cpu().numpy())  # Reordenar si es tensor

for bbox in augmented\_bboxes:

&#x20;   x\_min, y\_min, x\_max, y\_max = bbox

&#x20;   rect = plt.Rectangle((x\_min, y\_min), x\_max - x\_min, y\_max - y\_min, linewidth=2, edgecolor='r', facecolor='none')

&#x20;   ax.add\_patch(rect)

plt.show()

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