Temario del curso
Introducción
Descripción general de las características y 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 adecuada de YOLO
- Características y arquitectura de YOLOv1-v2
- Características y arquitectura de YOLOv3-v4
Instalación y configuración del IDE para implementaciones de YOLO
- La implementación de Darknet
- Las implementaciones de PyTorch y Keras
- Ejecución de OpenCV y NumPy
Descripción general de la detección de objetos utilizando modelos preentrenados de YOLO
Construcción y personalización de aplicaciones de línea de comandos de Python
- Etiquetado de imágenes utilizando el marco YOLO
- Clasificación de imágenes basada en un conjunto de datos
Detección de objetos en imágenes con implementaciones de YOLO
- ¿Cómo funcionan las cajas delimitadoras?
- ¿Qué tan preciso es YOLO para la segmentación de instancias?
- Analisis de los argumentos de la línea de comandos
Extracción de etiquetas de clase, coordenadas y dimensiones de YOLO
Visualización de las imágenes resultantes
Detección de objetos en transmisiones de video con implementaciones de YOLO
- ¿En qué se diferencia del procesamiento básico de imágenes?
Entrenamiento y prueba de las implementaciones de YOLO en un marco
Resolución de problemas y depuración
Resumen y conclusión
Requerimientos
- Experiencia en programación con Python 3.x
- Conocimientos básicos 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
- Comprensión de algoritmos fundamentales de detección de objetos
Audiencia
- Desarrolladores backend
- Científicos de datos
Testimonios (1)
Práctico y aplicado
Keeren Bala Krishnan - PENGUIN SOLUTIONS (SMART MODULAR)
Curso - Computer Vision with Python
Traducción Automática
