Aprende sobre la clasificación de imágenes con CNN, la diferencia entre los modelos de clasificación de imágenes binarias y multiclase, y cómo utilizar el aprendizaje por transferencia para la clasificación de imágenes en PyTorch.

Clasificación de imágenes binarias 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

Creación de un bloque secuencial

Trabajar con modelos preentrenados

Guardar y cargar un modelo

Carga de un modelo preentrenado

Clasificación de imágenes con ResNet

Clasificación de imágenes con CNN

Detecta objetos en imágenes prediciendo los rectángulos que los rodean y evalúa el rendimiento de los modelos de reconocimiento de objetos.

Cuadros delimitadores

Reconocimiento de objetos

Tensores de imagen

Dibujar un cuadro delimitador

Evaluación de modelos de reconocimiento de objetos

Calcular IoU

Predicción de cuadros delimitadores

Calcular NMS

Detección de objetos mediante R-CNN

Estructura básica del modelo preentrenado

Bloque clasificador

Bloque regresor de caja

Propuestas de red regional con Faster R-CNN

Generador de ancla

Modelo R-CNN más rápido

Define las pérdidas para RPN y R-CNN.

Descubre los tres tipos de segmentación de imágenes (semántica, de instancias y panóptica), sus aplicaciones y las arquitecturas de modelos de machine learning adecuadas para llevar a cabo cada una de ellas.

Introducción a la segmentación de imágenes

Tipos de segmentación

Creación de máscaras binarias

Segmentación de imágenes con una máscara

Segmentación de instancias con Mask R-CNN

Segmentación con Mask R-CNN preentrenado

Análisis de los resultados del modelo

Visualización de máscaras suaves

Segmentación semántica con U-Net

Creación de una red U-Net: definiciones de capas

Construcción de una red U-Net: método directo

Ejecución de la segmentación semántica

Segmentación panóptica

Configurar máscaras semánticas

Máscaras de instancia superpuestas

Segmentación de imágenes

Genera imágenes completamente nuevas con las redes generativas adversarias (GAN). Aprende a crear y entrenar una GAN convolucional profunda, y a evaluar la calidad y variedad de sus resultados.

Introducción a las GAN

Intuición de las GAN

Generador

Discriminador

GAN convolucional profundo

Generador convolucional

Discriminador convolucional

Entrenamiento de GAN

Pérdida del generador

Pérdida del discriminador

Bucle de entrenamiento

Evaluación de las GAN

Generación de imágenes

Distancia de inicio de Fréchet

Resumen

Generación de imágenes con GAN

En este curso, utilizarás PyTorch para descubrir la clasificación de imágenes, el reconocimiento de objetos, la segmentación y la generación de imágenes. Trabajarás con modelos de clasificación de imágenes binarias y multiclase, utilizarás modelos preentrenados para tareas de aprendizaje profundo y dominarás la detección de objetos con cuadros delimitadores. Además, profundizarás en la segmentación de imágenes, incluyendo los tipos semánticos, de instancia y panópticos, con aplicaciones en el mundo real. Por último, explorarás las redes generativas adversarias (GAN) 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.

Detección de objetos mediante R-CNN

Create Your Free Account