Generando video de sliding window

Detección de objetos

Mario Alexander Vargas Celis

Estudiante

Para generar un video de un proceso de sliding window, puedes seguir los pasos a continuación. Vamos a asumir que ya tienes las imágenes generadas en una carpeta (por ejemplo, /content/sliding\_windows/).

### 1. Usar OpenCV para crear un video

Puedes usar la biblioteca cv2 de OpenCV para leer las imágenes y escribir un archivo de video.


import cv2

import os



\# Directorio de las imágenes generadas

image\_folder = '/content/sliding\_windows/'

video\_name = '/content/sliding\_window\_video.avi'



\# Obtener una lista de todas las imágenes

images = \[img for img in os.listdir(image\_folder) if img.endswith(".png")]

images.sort()  # Asegurarse de que estén en el orden correcto



\# Leer la primera imagen para obtener el tamaño del video

frame = cv2.imread(os.path.join(image\_folder, images\[0]))

height, width, layers = frame.shape



\# Crear el objeto de escritura de video

video = cv2.VideoWriter(video\_name, cv2.VideoWriter\_fourcc(\*'XVID'), 10, (width, height))



\# Escribir cada imagen en el video

for image in images:

&#x20;   video.write(cv2.imread(os.path.join(image\_folder, image)))



\# Liberar el objeto de escritura de video

video.release()



print(f"Video guardado como {video\_name}")

### Explicación:

- **cv2.VideoWriter\_fourcc(\*'XVID')**: Codificación del video (puedes cambiarlo por \*'mp4v' para .mp4).

- **10**: Número de cuadros por segundo (puedes ajustar el valor para cambiar la velocidad del video).

- **(width, height)**: Tamaño del video, que debe coincidir con el tamaño de las imágenes.

### Convertir el video a otro formato (opcional):

Si prefieres un archivo .mp4, puedes usar herramientas como ffmpeg:


!ffmpeg -i /content/sliding\_window\_video.avi /content/sliding\_window\_video.mp4

Este proceso convierte el video .avi a .mp4.

### Resultado:

Después de ejecutar el código, tendrás un archivo de video que muestra el proceso de sliding window.

Generando video de sliding window

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