15 lecciones
Curso práctico donde aprenderás a implementar diferentes estrategias para realizar la segmentación de imágenes haciendo uso de Redes Convolucionales, Redes Transformer y lenguaje natural.
Al final del curso habrás aprendido
- En qué consiste la segmentación de imágenes, cómo elegir la estrategia y el modelo de segmentación más adecuado y cómo evaluar el desempeño de dicho modelo
- Cómo funcionan las principales estrategias que podemos usar en la actualidad para segmentar imágenes usando arquitecturas de Deep Learning (Redes Convolucionales y Redes Transformer) y lenguaje natural
- A implementar, con ayuda de Python, cada una de las estrategias de segmentación de imágenes dependiendo de las particularidades del problema a resolver
Requisitos
- Se sugiere haber tomado el curso Detección de Objetos con Deep Learning, disponible acá en la Academia Online
Contenido
15 lecciones en total. Se publicarán 2 nuevas lecciones cada semana (martes y viernes). Fecha de inicio: martes 20 de octubre de 2026
MÓDULO 1: INTRODUCCIÓN A LA SEGMENTACIÓN DE IMÁGENES
1 – ¿Qué es la segmentación de imágenes?
2 – Formatos de datos y anotación
3 – Métricas de evaluación para modelos de segmentación
4 – Funciones de pérdida para entrenar modelos de segmentación
5 – ¿Cómo elegir la arquitectura y el esquema de segmentación adecuados?
MÓDULO 2: IMPLEMENTACIÓN PRÁCTICA DE SEGMENTACIÓN DE IMÁGENES
6 – U-Net explicado: segmentación con Redes Convolucionales
7 – Segmentación de imágenes con U-Net
8 – YOLO-Seg explicado
9 – Segmentación de imágenes con YOLO-Seg
10 – Mask2Former explicado: segmentación con Redes Transformer
11 – Segmentación de imágenes con Mask2Former
12 – SAM (Segment Anything Model) explicado
13 – Segmentación interactiva con modelos SAM
14 – SAM 3 explicado
15 – Segmentación de conceptos visuales con SAM3
