Carga de dataset de object detection

Detección de objetos

Mario Alexander Vargas Celis

Estudiante

Para cargar un dataset de detección de objetos en Python, puedes usar bibliotecas como TensorFlow, PyTorch, o herramientas específicas de carga de datos. Aquí hay una guía para cargar datasets comunes:

### 1. Usando TensorFlow y tf.data.Dataset:

Puedes cargar imágenes y anotaciones con tf.data.Dataset para crear un pipeline de datos eficiente.


import tensorflow as tf

import os



\# Ruta del dataset (imágenes y anotaciones)

image\_dir = '/ruta/a/imagenes'

annotation\_dir = '/ruta/a/anotaciones'



def parse\_image\_and\_annotation(image\_path):

&#x20;   \# Carga de la imagen

&#x20;   image = tf.io.read\_file(image\_path)

&#x20;   image = tf.image.decode\_jpeg(image, channels=3)



&#x20;   \# Aquí puedes cargar y parsear las anotaciones correspondientes

&#x20;   \# Por ejemplo, usando un formato como COCO o Pascal VOC.



&#x20;   return image, annotation  # Devolver la imagen y la anotación



\# Crear un Dataset de TensorFlow

image\_paths = \[os.path.join(image\_dir, f) for f in os.listdir(image\_dir)]

dataset = tf.data.Dataset.from\_tensor\_slices(image\_paths)

dataset = dataset.map(parse\_image\_and\_annotation)

### 2. Usando PyTorch y torchvision:

La biblioteca torchvision proporciona métodos para cargar datasets como COCO y PASCAL VOC.


import torchvision

from torchvision import transforms

from torch.utils.data import DataLoader



\# Transformaciones de imagen (puedes agregar más según tus necesidades)

transform = transforms.Compose(\[

&#x20;   transforms.ToTensor()

])



\# Carga del dataset COCO

coco\_dataset = torchvision.datasets.CocoDetection(

&#x20;   root='/ruta/a/imagenes',

&#x20;   annFile='/ruta/a/anotaciones/annotations.json',

&#x20;   transform=transform

)



\# Crear un DataLoader para iterar sobre el dataset

dataloader = DataLoader(coco\_dataset, batch\_size=4, shuffle=True)



\# Iterar sobre el dataloader

for images, targets in dataloader:

&#x20;   print("Imágenes:", images.shape)

&#x20;   print("Anotaciones:", targets)

### 3. Usar bibliotecas especializadas como FiftyOne:

FiftyOne es una biblioteca poderosa para explorar y cargar datasets de visión por computadora.


import fiftyone as fo



\# Cargar el dataset COCO

dataset = fo.zoo.load\_zoo\_dataset(

&#x20;   "coco-2017",

&#x20;   split="validation",

&#x20;   dataset\_dir="/ruta/a/dataset/coco"

)



\# Visualizar el dataset en FiftyOne

session = fo.launch\_app(dataset)

### Tips:

- **Formatos de anotación**: Asegúrate de que el formato de anotación sea compatible (COCO, PASCAL VOC, etc.).

- **Transformaciones**: Aplica transformaciones (como redimensionar o normalizar) para ajustar el dataset a tu modelo.

- **Data Augmentation**: Puedes usar bibliotecas como Albumentations para aumentar el dataset y mejorar la robustez del modelo.

Esto debería proporcionarte un punto de partida sólido para cargar y utilizar datasets de detección de objetos.

Carga de dataset de 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

Todos los cursos GRATIS