51 lines
3.4 KiB
Markdown
51 lines
3.4 KiB
Markdown
### YOLO - Solo Miras Una Vez
|
|
|
|
YOLO es un algoritmo en tiempo real de un solo pase. La idea principal es la siguiente:
|
|
|
|
* La imagen se divide en regiones de $S\times S$.
|
|
* Para cada región, **CNN** predice $n$ posibles objetos, las coordenadas del *bounding box* y *confianza* = *probabilidad* * IoU.
|
|
|
|
|
|
> Imagen del [documento oficial](https://arxiv.org/abs/1506.02640)
|
|
|
|
### Otros Algoritmos
|
|
|
|
* RetinaNet: [documento oficial](https://arxiv.org/abs/1708.02002)
|
|
- [Implementación en PyTorch en Torchvision](https://pytorch.org/vision/stable/_modules/torchvision/models/detection/retinanet.html)
|
|
- [Implementación en Keras](https://github.com/fizyr/keras-retinanet)
|
|
- [Detección de Objetos con RetinaNet](https://keras.io/examples/vision/retinanet/) en Keras Samples
|
|
* SSD (Detector de Un Solo Disparo): [documento oficial](https://arxiv.org/abs/1512.02325)
|
|
|
|
## ✍️ Ejercicios: Detección de Objetos
|
|
|
|
Continúa tu aprendizaje en el siguiente cuaderno:
|
|
|
|
[ObjectDetection.ipynb](../../../../../lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb)
|
|
|
|
## Conclusión
|
|
|
|
En esta lección hiciste un recorrido rápido por las diversas maneras en que se puede llevar a cabo la detección de objetos.
|
|
|
|
## 🚀 Desafío
|
|
|
|
Lee estos artículos y cuadernos sobre YOLO y pruébalos tú mismo.
|
|
|
|
* [Buen artículo de blog](https://www.analyticsvidhya.com/blog/2018/12/practical-guide-object-detection-yolo-framewor-python/) que describe YOLO
|
|
* [Sitio oficial](https://pjreddie.com/darknet/yolo/)
|
|
* Yolo: [implementación en Keras](https://github.com/experiencor/keras-yolo2), [cuaderno paso a paso](https://github.com/experiencor/basic-yolo-keras/blob/master/Yolo%20Step-by-Step.ipynb)
|
|
* Yolo v2: [implementación en Keras](https://github.com/experiencor/keras-yolo2), [cuaderno paso a paso](https://github.com/experiencor/keras-yolo2/blob/master/Yolo%20Step-by-Step.ipynb)
|
|
|
|
## [Cuestionario post-clase](https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/211)
|
|
|
|
## Revisión y Autoestudio
|
|
|
|
* [Detección de Objetos](https://tjmachinelearning.com/lectures/1718/obj/) por Nikhil Sardana
|
|
* [Una buena comparación de algoritmos de detección de objetos](https://lilianweng.github.io/lil-log/2018/12/27/object-detection-part-4.html)
|
|
* [Revisión de Algoritmos de Aprendizaje Profundo para Detección de Objetos](https://medium.com/comet-app/review-of-deep-learning-algorithms-for-object-detection-c1f3d437b852)
|
|
* [Una Introducción Paso a Paso a los Algoritmos Básicos de Detección de Objetos](https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1/)
|
|
* [Implementación de Faster R-CNN en Python para Detección de Objetos](https://www.analyticsvidhya.com/blog/2018/11/implementation-faster-r-cnn-python-object-detection/)
|
|
|
|
## [Asignación: Detección de Objetos](lab/README.md)
|
|
|
|
**Descargo de responsabilidad**:
|
|
Este documento ha sido traducido utilizando servicios de traducción automática basados en IA. Si bien nos esforzamos por lograr precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o malas interpretaciones que surjan del uso de esta traducción. |