book

Aprendizaje automático práctico para visión por ordenador

by Valliappa Lakshmanan, Martin Görner, Ryan Gillard

September 2024

Intermediate to advanced

482 pages

13h 54m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

¿A quién va dirigido este libro?Cómo utilizar este libroOrganización del LibroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Aprendizaje automáticoCasos de uso del aprendizaje profundoResumen
Un conjunto de datos para la percepción artificialConjunto de datos 5-FloresLectura de datos de imagenVisualizar datos de imagenLectura del archivo del conjunto de datosUn modelo lineal con KerasModelo KerasEntrenar el modeloUna red neuronal con KerasRedes neuronalesRedes neuronales profundasResumenGlosario
Incrustaciones preentrenadasModelo preentrenadoAprendizaje por transferenciaAjuste finoRedes convolucionalesFiltros convolucionalesApilar capas convolucionalesAgrupar capasAlexNetLa búsqueda de la profundidadFactorización del filtroConvoluciones 1x1VGG19Puesta en común de la media globalArquitecturas modularesInicioSqueezeNetResNet y Saltar ConexionesDenseNetConvoluciones separables en profundidadXcepciónArquitectura neuronal Diseños de búsquedaNASNetLa familia MobileNetMás allá de la Convolución: La arquitectura del transformadorElegir un modeloComparación de resultadosEnsamblajeEstrategia recomendadaResumen
Detección de objetosYOLORetinaNetSegmentaciónMáscara R-CNN y segmentación de instanciasU-Net y Segmentación SemánticaResumen
Recopilación de imágenesFotografíasImágenesPrueba de conceptoTipos de datosCanalesDatos geoespacialesAudio y vídeoEtiquetado manualMultietiquetaDetección de objetosEtiquetado a escalaEtiquetado Interfaz de usuarioTareas múltiplesVotación y crowdsourcingServicios de etiquetadoEtiquetado automatizadoEtiquetas de datos relacionadosEstudiante ruidosoAprendizaje autosupervisadoSesgoFuentes de sesgoSesgo de selecciónSesgo de mediciónSesgo de confirmaciónDetectar el sesgoCrear un conjunto de datosDividir datosRegistros TensorFlowLectura de registros TensorFlowResumen
Razones para el preprocesamientoTransformación de la formaTransformación de la calidad de los datosMejorar la calidad del modeloTamaño y resoluciónUso de las capas de preprocesamiento KerasUso del módulo de imágenes de TensorFlowMezclar Keras y TensorFlowModelo de formaciónSesgo de formación-servicioReutilizar funcionesPreprocesamiento dentro del modeloUtilizar tf.transformAumento de datosTransformaciones espacialesDistorsión del colorSoltar informaciónFormar imágenes de entradaResumen
Ingestión eficazAlmacenar datos eficientementeLectura de datos en paraleloMaximizar la utilización de la GPUGuardar el estado del modeloExportar el modeloPunto de controlEstrategia de distribuciónElegir una estrategiaCrear la estrategiaML sin servidorCrear un paquete PythonEnviar un trabajo de formaciónAjuste de hiperparámetrosImplementación del modeloResumen
MonitoreoTensorBoardHistogramas de pesoColocación del dispositivoVisualización de datosEventos de formaciónMétricas de calidad del modeloMétricas para la clasificaciónMétricas para la regresiónMétricas para la detección de objetosEvaluación de la calidadEvaluaciones en rodajasMonitoreo de la equidadEvaluación continuaResumen
Hacer prediccionesExportar el modeloUtilizar modelos en memoriaMejorar la abstracciónMejorar la eficaciaPredicción en líneaTensorFlow SirviendoModificar la función de servicioManejo de Bytes de ImagenPredicción de lotes y flujosEl Apache Beam PipelineServicio gestionado de predicción por lotesInvocar la predicción en líneaPerímetro MLRestricciones y optimizacionesTensorFlow LiteEjecutar TensorFlow LiteProcesar el búfer de imagenAprendizaje FederadoResumen

Pipelines de aprendizaje automáticoLa necesidad de tuberíasClúster de tuberías KubeflowContenedorizar el código baseEscribir un componenteConexión de componentesAutomatizar una ejecuciónExplicabilidadTécnicasAñadir explicabilidadVisión por ordenador sin código¿Por qué utilizar No-Code?Carga de datosFormaciónEvaluaciónResumen
Medición de objetosObjeto de referenciaSegmentaciónCorrección de la rotaciónRelación y medidasContandoEstimación de la densidadExtraer parchesSimulación de imágenes de entradaRegresiónPredicciónEstimación de la posePersonLabEl modelo PoseNetIdentificar múltiples posturasBúsqueda de imágenesBúsqueda distribuidaBúsqueda rápidaMejores incrustacionesResumen
Comprensión de la imagenIncrustacionesTareas auxiliares de aprendizajeAutocodificadoresAutocodificadores variacionalesGeneración de imágenesRedes Generativas AdversarialesMejoras del GANTraducción de imagen a imagenSuper-ResoluciónModificar imágenes (Repintar)Detección de anomalíasDeepfakesSubtitulado de imágenesConjunto de datosTokenizar los subtítulosDosificaciónModelo de subtituladoBucle de entrenamientoPredicciónResumen

Content preview from Aprendizaje automático práctico para visión por ordenador

Capítulo 12. Generación de imágenes y textos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Hasta ahora en este libro, nos hemos centrado en en los métodos de visión por ordenador que actúan sobre imágenes. En este capítulo, veremos los métodos de visión que pueden generar imágenes. Pero antes de llegar a la generación de imágenes, tenemos que aprender a entrenar un modelo para que comprenda lo que hay en una imagen, de modo que sepa qué generar. También veremos el problema de generar texto (pies de foto) basándonos en el contenido de una imagen.

Consejo

El código de este capítulo está en la carpeta 12_generación del repositorio GitHub del libro. Proporcionaremos los nombres de archivo de los ejemplos de código y de los cuadernos cuando proceda.

Comprensión de la imagen

Una cosa es saber qué componentes de hay en una imagen, pero otra muy distinta es comprender realmente lo que ocurre en la imagen y utilizar esa información para otras tareas. En esta sección, recapitularemos rápidamente las incrustaciones y luego veremos varios métodos (autocodificadores y autocodificadores variacionales) para codificar una imagen y conocer sus propiedades.

Incrustaciones

Un problema habitual en los casos de uso del aprendizaje profundo es la falta de datos suficientes, o de datos de calidad suficiente. En el Capítulo 3 hablamos del aprendizaje por transferencia, que proporciona una forma de extraer las incrustaciones que ...