Visualizando imágenes con aumentado de datos

Detección de objetos

Mario Alexander Vargas Celis

student

Para visualizar imágenes después de aplicar aumentos de datos (data augmentation), puedes utilizar la biblioteca albumentations, junto con matplotlib para mostrar las imágenes. Aquí tienes un ejemplo paso a paso para ver cómo se ven las imágenes con aumentos:

### 1. Instala albumentations (si no lo tienes ya instalado)


pip install albumentations

### 2. Define los aumentos y carga una imagen

En este ejemplo, aplicaré algunos aumentos de datos comunes como rotación, cambio de brillo, y recorte.


import albumentations as A

import cv2

from matplotlib import pyplot as plt



\# Define las transformaciones

transform = A.Compose(\[

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

&#x20;   A.RandomBrightnessContrast(p=0.2),

&#x20;   A.Rotate(limit=30, p=0.5),

&#x20;   A.RandomCrop(width=200, height=200, p=0.3)

])



\# Cargar una imagen de ejemplo

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

image = cv2.cvtColor(image, cv2.COLOR\_BGR2RGB)  # Convierte de BGR a RGB para visualizar correctamente en matplotlib

### 3. Aplicar los aumentos y visualizar varias versiones de la imagen

Generaremos múltiples versiones de la imagen para ver el efecto de los aumentos.


\# Número de versiones aumentadas a mostrar

num\_versions = 5

fig, axes = plt.subplots(1, num\_versions, figsize=(15, 5))



for i in range(num\_versions):

&#x20;   \# Aplicar los aumentos

&#x20;   augmented = transform(image=image)

&#x20;   augmented\_image = augmented\['image']

&#x20;  &#x20;

&#x20;   \# Mostrar la imagen aumentada

&#x20;   axes\[i].imshow(augmented\_image)

&#x20;   axes\[i].axis('off')

&#x20;   axes\[i].set\_title(f"Versión {i+1}")



plt.tight\_layout()

plt.show()

### Explicación

- **Transformaciones**: La transformación Compose aplica las operaciones de forma secuencial, en este caso incluye:

- **HorizontalFlip**: Invierte la imagen horizontalmente con una probabilidad de 50%.

- **RandomBrightnessContrast**: Ajusta aleatoriamente el brillo y contraste.

- **Rotate**: Rota la imagen aleatoriamente dentro de un límite de 30 grados.

- **RandomCrop**: Recorta aleatoriamente una sección de la imagen de 200x200 píxeles.

- **Visualización**: Creamos varias subgráficas para ver diferentes versiones aumentadas de la imagen original.

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