Lección 1 del curso Detección de Objetos con Deep Learning.
En este primer módulo del curso comenzaremos entendiendo varios elementos asociados a la detección de objetos y que resultarán esenciales para posteriormente (en el segundo módulo del curso) entender cómo funcionan y cómo se evalúan los diferentes modelos de detección usados en la actualidad.
Y en esta primera lección del curso comenzaremos entendiendo de forma práctica en qué consiste la detección de objetos en la Visión por Computador.
Así que usaremos un modelo YOLO pre-entrenado para detectar objetos en una imagen y ver las características de las predicciones entregadas por este modelo:
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 detección de objetos en la Visión por Computador busca que un modelo (generalmente de Deep Learning, como una Red Convolucional o una Red Transformer) localice y clasifique diferentes tipos de objetos presentes en una imagen.
Así que un modelo de detección de objetos predice, por cada objeto detectado, un vector con 5 valores:
- Una probabilidad (o confidence) score que indica qué tan confiado está el modelo de que cada objeto pertenezca a una categoría en particular
- Y un bounding box que contiene las coordenadas del objeto dentro de la imagen
Entonces, teniendo claro el principio de funcionamiento de un detector de objetos en imágenes, en la próxima lección veremos un elemento clave al momento de evaluar el desempeño de este tipo de modelos. Hablaremos del mAP (o mean average precision) que es la métrica más usada para evaluar la calidad de las predicciones hechas por un detector de objetos.
Todas las lecciones del curso Detección de Objetos con Deep Learning