Programa del Curso

Introducción

Descripción general de las características y la arquitectura de los modelos preentrenados de 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 adecuada

  • Características y arquitectura de YOLOv1-v2
  • Características y arquitectura de YOLOv3-v4

Instalación y configuración del IDE para implementaciones de YOLO

  • La implementación de la Darknet
  • Las implementaciones de PyTorch y Keras
  • Ejecución de OpenCV y NumPy

Descripción general de la detección de objetos mediante modelos preentrenados de YOLO

Creación y personalización de Python aplicaciones de línea de comandos

  • Etiquetado de imágenes mediante el marco YOLO
  • Clasificación de imágenes basada en un conjunto de datos

Detección de objetos en imágenes con implementaciones de YOLO

  • ¿Cómo funcionan los cuadros delimitadores?
  • ¿Qué tan preciso es YOLO para la segmentación de instancias?
  • Análisis de los argumentos de la línea de comandos

Extracción de las etiquetas, coordenadas y dimensiones de la clase YOLO

Visualización de las imágenes resultantes

Detección de objetos en secuencias de vídeo con implementaciones de YOLO

  • ¿En qué se diferencia del procesamiento básico de imágenes?

Entrenamiento y prueba de las implementaciones de YOLO en un marco

Solución de problemas y depuración

Resumen y conclusión

Requerimientos

  • Python Experiencia en programación 3.x
  • Conocimientos básicos de cualquier Python IDE
  • Experiencia con Python argparse y argumentos de línea de comandos
  • Comprensión de librerías de visión artificial y aprendizaje automático
  • Comprensión de los algoritmos fundamentales de detección de objetos

Audiencia

  • Desarrolladores de backend
  • Científicos de datos
  7 horas

Número de participantes



Precio por participante

Testimonios (4)

Cursos Relacionados

Categorías Relacionadas