Aprende clasificación de imágenes con CNN, la diferencia entre modelos de clasificación binaria y multiclase, y cómo usar aprendizaje por transferencia para clasificación de imágenes en PyTorch.

Clasificación de imágenes binaria y multiclase

El número de clases

Modelo de clasificación binaria

Modelo de clasificación multiclase

Capas convolucionales para imágenes

¿RGB, escala de grises o alfa?

Añadir una nueva capa convolucional

Crear un bloque secuencial

Trabajar con modelos preentrenados

Guardar y cargar un modelo

Cargar un modelo preentrenado

Clasificación de imágenes con ResNet

Clasificación de imágenes con CNN

Detecta objetos en imágenes prediciendo cajas delimitadoras a su alrededor y evalúa el rendimiento de los modelos de reconocimiento de objetos.

Cajas delimitadoras

Reconocimiento de objetos

Tensores de imagen

Dibujar una caja delimitadora

Evaluar modelos de reconocimiento de objetos

Calcular IoU

Predicción de bounding boxes

Calcular NMS

Detección de objetos con R-CNN

Backbone de un modelo preentrenado

Bloque clasificador

Bloque de regresor de cajas

Propuestas de regiones con Faster R-CNN

Generador de anclas

Modelo Faster R-CNN

Define pérdidas para RPN y R-CNN

Conoce los tres tipos de segmentación de imágenes (semántica, por instancias y panóptica), sus aplicaciones y las arquitecturas de modelos de Machine Learning adecuadas para cada una.

Introducción a la segmentación de imágenes

Opciones

Segmentación semántica

Segmentación por instancias

Segmentación panóptica

Tipos de segmentación

Creación de máscaras binarias

Segmentar una imagen con una máscara

Segmentación por instancias con Mask R-CNN

Segmentación con Mask R-CNN preentrenada

Analizar la salida del modelo

Visualizar máscaras suaves

Segmentación semántica con U-Net

Construyendo una U-Net: definición de capas

Crear un U-Net: método forward

Ejecutar segmentación semántica

Configurar máscaras semánticas

Superponer máscaras de instancia

Segmentación de imágenes

Genera imágenes completamente nuevas con Generative Adversarial Networks (GANs). Aprende a crear y entrenar una Deep Convolutional GAN y a evaluar la calidad y variedad de sus resultados.

Introducción a las GANs

Intuición sobre las GAN

Generador

Discriminador

GAN convolucional profunda

Generador convolucional

Discriminador convolucional

Entrenamiento de GANs

Pérdida del generador

Pérdida del discriminador

Bucle de entrenamiento

Evaluar las GAN

Generación de imágenes

Fréchet Inception Distance

Cierre

Generación de imágenes con GANs

En este curso, usarás PyTorch para aprender clasificación de imágenes, reconocimiento de objetos, segmentación y generación de imágenes. Trabajarás con modelos de clasificación de imágenes binaria y multiclase, aprovecharás modelos preentrenados para tareas de deep learning y dominarás la detección de objetos con cajas delimitadoras. Además, profundizarás en segmentación de imágenes —incluida la semántica, por instancias y panóptica— con aplicaciones reales. Por último, explorarás las Generative Adversarial Networks (GANs) y aprenderás a evaluar la calidad y la diversidad de las imágenes generadas.

Este curso sobre aprendizaje profundo para imágenes con PyTorch te proporcionará las habilidades prácticas y los conocimientos necesarios para destacar en la clasificación, detección, segmentación y generación de imágenes. 

<h2>Clasifica imágenes con redes neuronales convolucionales (CNN).</h2>

Aplicarás CNN para la clasificación de imágenes binarias y multiclase y comprenderás cómo aprovechar los modelos preentrenados en PyTorch. Con los cuadros delimitadores, también podrás detectar objetos dentro de una imagen y evaluar el rendimiento de los modelos de reconocimiento de objetos.

<h2>Segmentar imágenes aplicando máscaras</h2>

Explora la segmentación de imágenes, incluida la segmentación semántica, de instancias y panóptica, aplicando máscaras a las imágenes y aprende sobre las diferentes arquitecturas de modelos necesarias para cada tipo de segmentación. 

<h2>Genera imágenes con GAN</h2>

Por último, aprenderás a generar tus propias imágenes utilizando redes generativas adversarias (GAN). Aprenderás las habilidades necesarias para crear y entrenar GAN convolucionales profundas (DCGAN) y cómo evaluar la calidad y la diversidad de las imágenes generadas.

Al finalizar este curso, habrás adquirido las habilidades y la experiencia necesarias para trabajar con diversas tareas relacionadas con imágenes utilizando modelos PyTorch.

Intermediate Deep Learning with PyTorch

Usa PyTorch para detectar objetos y segmentar imágenes con modelos de aprendizaje profundo.

Deep Learning para imágenes con PyTorch

Aprendizaje profundo en Python

Evaluar la deforestación o la expansión urbana segmentando distintos tipos de cobertura del suelo en imágenes de satélite.

Imagen médica: identificar y aislar regiones específicas de interés, como tumores, vasos sanguíneos u órganos en resonancias (MRI) o tomografías (CT).

Retail: identificar y contar productos específicos en estanterías para la gestión de inventario.

Vehículos autónomos: identificar peatones, vehículos y otros obstáculos para una navegación segura y hacer su seguimiento a lo largo del tiempo.

Planificación urbana: analizar áreas urbanas, donde los edificios se segmentan individualmente y las carreteras, árboles, etc., se segmentan por categorías.

Vigilancia: monitorizar espacios públicos concurridos distinguiendo a las personas individualmente y, además, identificando diferentes áreas o zonas.

Tipos de segmentación

Deep Learning para imágenes con PyTorch

Ejercicio interactivo práctico