Lección 5 del curso Clasificación de Imágenes con Deep Learning.
En la lección anterior vimos el principio de funcionamiento del Vision Transformer para realizar tareas de clasificación.
En este segundo módulo del curso veremos cómo implementar diferentes enfoques de clasificación de imágenes haciendo uso de las Redes Convolucionales. Y en particular, en esta lección veremos cómo usar PyTorch para implementar un clasificador de imágenes usando Redes Convolucionales pre-entrenadas, que es el enfoque de clasificación más simple de todos:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la clasificación de imágenes basada en modelos pre-entrenados es realmente muy simple:
- Primero debemos cargar un modelo pre-entrenado
- Y luego simplemente pre-procesamos las imágenes y se las presentamos al modelo para obtener a la salida las categorías predichas
¡Es así de simple! Pero a pesar de esta simplicidad, el enfoque que acabamos de ver tiene una gran limitación: para garantizar que la clasificación tenga un alto nivel de precisión es necesario que el modelo haya sido pre-entrenado con imágenes muy similares a las que queremos clasificar. Y el gran inconveniente es que en problemas reales no siempre podremos garantizar esta condición.
Y es precisamente debido a este inconveniente que surgen alternativas de clasificación más sofisticadas, las cuales veremos en detalle precisamente en las siguientes lecciones. En particular, en la próxima lección veremos la primera de ellas: el entrenamiento desde cero de una Red Convolucional para clasificación de imágenes.
Todas las lecciones del curso Clasificación de Imágenes con Deep Learning