Temario del curso
Introducción
Visión general de las características y arquitectura de los modelos preentrenados YOLO
- El algoritmo YOLO
- Algoritmos basados en regresión para la detección de objetos
- ¿En qué se diferencia YOLO de RCNN?
Utilización de la variante YOLO apropiada
- Características y arquitectura de YOLOv1-v2
- Características y arquitectura de YOLOv3-v4
Instalación y configuración del IDE para implementaciones YOLO
- La implementación de Darknet
- Las implementaciones de PyTorch y Keras
- Ejecutando OpenCV y NumPy
Visión general de la detección de objetos usando modelos preentrenados YOLO
Construcción y personalización de aplicaciones de línea de comandos de Python
- Etiquetado de imágenes usando el marco YOLO
- Clasificación de imágenes basada en un conjunto de datos
Detección de objetos en imágenes con implementaciones YOLO
- ¿Cómo funcionan las cajas delimitadoras?
- ¿Qué tan preciso es YOLO para la segmentación de instancias?
- Analizando los argumentos de línea de comandos
Extracción de las etiquetas de clase YOLO, coordenadas y dimensiones
Mostrando las imágenes resultantes
Detección de objetos en flujos de video con implementaciones YOLO
- ¿En qué se diferencia del procesamiento básico de imágenes?
Entrenamiento y prueba de las implementaciones YOLO en un marco
Resolución de problemas y depuración
Resumen y conclusión
Requerimientos
- Experiencia de programación con Python 3.x
- Conocimiento básico de cualquier IDE de Python
- Experiencia con argparse de Python y argumentos de línea de comandos
- Comprensión de bibliotecas de visión por computadora y aprendizaje automático
- Un entendimiento de algoritmos fundamentales de detección de objetos
Audiencia
- Desarrolladores de backend
- Científicos de datos
Testimonios (1)
Práctico y aplicado
Keeren Bala Krishnan - PENGUIN SOLUTIONS (SMART MODULAR)
Curso - Computer Vision with Python
Traducción Automática
