1 – Introducción a la clasificación de imágenes con Deep Learning

Lección 1 del curso Clasificación de Imágenes con Deep Learning.

En este primer módulo del curso veremos algunos conceptos que resultarán fundamentales para entender qué son y cómo implementar los diferentes enfoques de clasificación de imágenes que veremos más adelante.

Y en esta primera lección comenzaremos entendiendo qué es la clasificación de imágenes, cuáles son sus principales aplicaciones y cuáles son los elementos que usualmente entran en juego cuando realizamos el entrenamiento, prueba y validación de un clasificador. De igual forma, veremos la diferencia que existe entre un clasificador de imágenes binario y uno multiclase:

Como acabamos de ver, el objetivo de la clasificación de imágenes es entrenar un modelo que sea capaz de tomar una imagen de entrada y que prediga a la salida su clase (o categoría) entre un conjunto de N posibles clases. Y si «N» es igual a 2 hablamos de clasificación binaria, mientras que cuando «N» es mayor o igual que 3 hablamos de clasificación multiclase.

Y las arquitecturas más usadas en la actualidad se basan en modelos de Deep Learning, en particular las Redes Convolucionales y las Redes Transformer.

Además, para lograr construir este tipo de modelos debemos llevar a cabo las fases de entrenamiento, validación y prueba de las cuales hablamos en detalle en el curso Fundamentos de Deep Learning con Python.

Así que los elementos que acabamos de ver en esta lección resultarán fundamentales para entender más adelante los diferentes enfoques de clasificación de imágenes que se usan en la actualidad.

Entonces, teniendo claros estos conceptos, en la próxima lección veremos otro conjunto de herramientas que resultarán fundamentales al momento de evaluar el desempeño de un modelo en una tarea de clasificación de imágenes. Así que veremos en detalle las métricas de evaluación de un clasificador.

Todas las lecciones del curso Clasificación de Imágenes con Deep Learning