Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la detección de objetos
- Fundamentos de la detección de objetos
- Aplicaciones de la detección de objetos
- Métricas de rendimiento para modelos de detección de objetos
Resumen de YOLOv7
- Instalación y configuración de YOLOv7
- Arquitectura y componentes de YOLOv7
- Ventajas de YOLOv7 frente a otros modelos de detección de objetos
- Variantes de YOLOv7 y sus diferencias
Proceso de entrenamiento de YOLOv7
- Preparación y anotación de datos
- Entrenamiento de modelos utilizando marcos de trabajo de aprendizaje profundo populares (TensorFlow, PyTorch, etc.)
- Ajuste fino de modelos preentrenados para detección de objetos personalizada
- Evaluación y ajuste para un rendimiento óptimo
Implementación de YOLOv7
- Implementación de YOLOv7 en Python
- Integración con OpenCV y otras bibliotecas de visión por computadora
- Despliegue de YOLOv7 en dispositivos de borde y plataformas en la nube
Temas avanzados
- Seguimiento de múltiples objetos utilizando YOLOv7
- YOLOv7 para detección de objetos en 3D
- YOLOv7 para detección de objetos en vídeo
- Optimización de YOLOv7 para el rendimiento en tiempo real
Requerimientos
- Experiencia en programación con Python.
- Comprensión de los fundamentos del aprendizaje profundo (deep learning).
- Conocimiento de los básicos de la visión por computadora.
Público objetivo
- Ingenieros en visión por computadora.
- Investigadores en aprendizaje automático.
- Científicos de datos.
- Desarrolladores de software.
21 Horas
Reseñas (1)
Práctico y aplicado
Keeren Bala Krishnan - PENGUIN SOLUTIONS (SMART MODULAR)
Curso - Computer Vision with Python
Traducción Automática
