Utilizando un modelo de object detection pre-entrenado

Detección de objetos

Mario Alexander Vargas Celis

Estudiante

Para utilizar un modelo de **Object Detection pre-entrenado** en TensorFlow (o en cualquier framework compatible con TensorFlow, como tf2), puedes seguir estos pasos:

### Paso 1: Instalar las dependencias necesarias

Asegúrate de tener instaladas las bibliotecas requeridas, incluyendo TensorFlow y el módulo de detección de objetos.


pip install tensorflow tensorflow-hub tensorflow-object-detection-api

### Paso 2: Descargar el modelo pre-entrenado

Puedes descargar un modelo pre-entrenado desde el [TensorFlow Model Zoo](https://github.com/tensorflow/models/blob/master/research/object\_detection/g3doc/detection\_model\_zoo.md). Aquí hay un ejemplo de cómo cargar un modelo pre-entrenado de detección de objetos:


import tensorflow as tf

import tensorflow\_hub as hub

from object\_detection.utils import label\_map\_util

from object\_detection.utils import visualization\_utils as vis\_util



\# Cargar el modelo preentrenado

MODEL\_NAME = 'ssd\_inception\_v2\_coco\_2017\_11\_17'  # Puedes elegir otros modelos de Object Detection



\# Cargar el modelo pre-entrenado desde TensorFlow Hub

PATH\_TO\_MODEL = f'./models/{MODEL\_NAME}/saved\_model'



\# Cargar el modelo

model = tf.saved\_model.load(PATH\_TO\_MODEL)



\# Cargar la etiqueta del mapeo (labels)

PATH\_TO\_LABELS = 'models/research/object\_detection/data/mscoco\_label\_map.pbtxt'

category\_index = label\_map\_util.create\_category\_index\_from\_labelmap(PATH\_TO\_LABELS, use\_display\_name=True)

### Paso 3: Cargar y preprocesar una imagen

A continuación, carga una imagen y prepárala para pasarla al modelo.


import numpy as np

import matplotlib.pyplot as plt

import cv2



\# Función para cargar imagen

def load\_image\_into\_numpy\_array(image\_path):

&#x20;   image = np.array(cv2.imread(image\_path))

&#x20;   return image



\# Cargar una imagen de ejemplo

image\_path = 'path\_to\_your\_image.jpg'

image\_np = load\_image\_into\_numpy\_array(image\_path)

image\_np\_expanded = np.expand\_dims(image\_np, axis=0)  # Añadir la dimensión de batch

### Paso 4: Realizar la detección

Ahora puedes pasar la imagen preprocesada a tu modelo para hacer la detección.


\# Realizar la detección de objetos

input\_tensor = tf.convert\_to\_tensor(image\_np\_expanded, dtype=tf.float32)

model\_fn = model.signatures\['serving\_default']

output\_dict = model\_fn(input\_tensor)



\# Los resultados son dictados en el formato:

\# 'detection\_boxes', 'detection\_classes', 'detection\_scores', 'num\_detections'

boxes = output\_dict\['detection\_boxes'].numpy()

classes = output\_dict\['detection\_classes'].numpy().astype(np.int32)

scores = output\_dict\['detection\_scores'].numpy()

num = int(output\_dict\['num\_detections'].numpy())



\# Visualizar los resultados

vis\_util.visualize\_boxes\_and\_labels\_on\_image\_array(

&#x20;   image\_np,

&#x20;   boxes\[0],

&#x20;   classes\[0],

&#x20;   scores\[0],

&#x20;   category\_index,

&#x20;   instance\_masks=None,

&#x20;   use\_normalized\_coordinates=True,

&#x20;   line\_thickness=8)



\# Mostrar la imagen con las detecciones

plt.imshow(image\_np)

plt.show()

### Explicación:

1. **Modelo Pre-entrenado**: Cargamos un modelo de detección de objetos pre-entrenado desde un directorio guardado, especificando su ruta.

2. **Preprocesamiento**: Las imágenes deben ser cargadas y ajustadas para ser aceptadas por el modelo. Se convierten a matrices numpy y se expanden para agregar la dimensión del batch.

3. **Inferencia**: Pasamos la imagen al modelo para obtener las predicciones de los objetos detectados, que incluyen las coordenadas de las cajas delimitadoras, las clases y las puntuaciones de confianza.

4. **Visualización**: Finalmente, utilizamos las utilidades de visualización para dibujar las cajas delimitadoras y las etiquetas sobre la imagen.

Utilizando un modelo de object detection pre-entrenado

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