Generando predicciones con modelo de object segmentation

Detección de objetos

Mario Alexander Vargas Celis

student

Para generar predicciones con un modelo de segmentación de objetos, como una red U-Net o Mask R-CNN, puedes seguir estos pasos generales en Python, usando un dataset de imágenes y el modelo previamente entrenado.

### 1. Cargar la Imagen

Primero, lee la imagen que deseas segmentar:


import cv2

import numpy as np



\# Cargar la imagen de prueba

img = cv2.imread('path/to/your/image.jpg')

\# Redimensionar la imagen si es necesario

img = cv2.resize(img, (IMG\_HEIGHT, IMG\_WIDTH))

### 2. Preprocesar la Imagen

Dependiendo del modelo, es posible que necesites normalizar la imagen o aplicar una transformación específica:


\# Normalizar la imagen

img\_normalized = img / 255.0  # Normaliza los valores al rango \[0, 1]

\# Expande las dimensiones para que coincidan con la entrada del modelo

img\_input = np.expand\_dims(img\_normalized, axis=0)

### 3. Generar la Predicción

Usa el modelo de segmentación para realizar la predicción en la imagen. En el caso de una red U-Net, el resultado suele ser una máscara binaria o multiclase que segmenta los objetos en la imagen.


\# Generar predicciones

predicted\_mask = model.predict(img\_input)

\# Saca la máscara predicha en un rango de \[0, 1]

predicted\_mask = (predicted\_mask\[0, :, :, 0] > 0.5).astype(np.uint8)  # Umbral de 0.5 para la segmentación binaria

### 4. Visualizar la Predicción

Para visualizar la máscara superpuesta en la imagen original, puedes usar matplotlib o cualquier otra biblioteca de visualización:


import matplotlib.pyplot as plt



\# Mostrar imagen original y máscara

fig, ax = plt.subplots(1, 2, figsize=(12, 6))

ax\[0].imshow(cv2.cvtColor(img, cv2.COLOR\_BGR2RGB))

ax\[0].set\_title('Imagen Original')



\# Colorear la máscara predicha

ax\[1].imshow(predicted\_mask, cmap='gray')

ax\[1].set\_title('Máscara Predicha')

plt.show()

### 5. Guardar o Analizar la Predicción

Guarda la máscara o realiza análisis adicionales según tus necesidades:


\# Guardar la máscara predicha como imagen

cv2.imwrite('predicted\_mask.png', predicted\_mask \* 255)  # Multiplica por 255 para obtener una imagen binaria

Este flujo te permite generar y visualizar predicciones con un modelo de segmentación de objetos. Si estás trabajando con segmentación multicategoría, puedes ajustar los pasos para cada categoría usando un mapa de colores o máscaras específicas por clase.

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