Deep learning

Corresponde al campo de la Inteligencia Artificial (IA) conocido también como análisis profundo requiere de un nivel de medio y avanzado, su aplicabilidad se extiende incluso en la visión artificial o visión por computadora, por ejemplo para el reconocimiento de rostros, clasificar y reconocer objetos, un ejemplo sencillo de éste último imaginemos a un brazo robótico que reconozca objetos de forma triangular sin importar su tamaño, ahora  una vez seleccionado los objetos que los clasifique por su color; resulta pertinente mencionar que reconocer y clasificar son cosas distintas, valga la aclaración.

Suele confundirse el machine learning con deep learning, lo cierto es que este último  es parte del primero pero con una funcionalidad más especializada, ya que para el reconocimiento o clasificador de cualquier objeto del mundo real usa el método de aprendizaje a través de redes neuronales convolucionales (CNN) que no es más que una secuencia matricial de pixeles generalmente de 3×3 impar llamado kernel, que se aplica a una imagen mediante el trazado de izquierda a derecha y de arriba hacia abajo en toda la dimensión de la imagen o fotograma.

Clasificación de animales con Yolov V3

Se ha trabajado proyectos básicos en entornos de sistemas operativos de Windows y Unix (Ubuntu),  éste último configurado previamente en una máquina virtual, resulta práctico sobre todo a la hora de invocar las bibliotecas o librerías necesarias para el aprendizaje profundo, pues vienen pre instalados en su mayoría, solo se requiere invocarlos; nos referimos especialmente a tensorflow y keras.

Sin embargo también se ha usado el entorno Windows, previa instalación del anaconda y desde su consola instalar las bibliotecas o paqueterías necesarias, puede presentarse pequeñas complicaciones, pero con la confianza que nos caracteriza finalmente podemos lograrlo. En este entorno encontramos la ayuda del Jupyter Notebook que nos permite crear cuadernos para escribir código Python.

Existen diferentes aplicaciones para reconocimiento y clasificación de objetos ya implementados como por ejemplo el Yolo y Retina Net, trabajaremos con ambos, en caso del primero presenta algoritmos pre entrenados para clasificar y detectar 80 clases u objetos, sin embargo podemos entrenar nuestro propio dataset con la imagen que queramos;  en el video que presentamos hemos entrenado en Google Colab la detección de dos clases: gatos y gallinas, usando 180 imágenes en 142 etapas, aunque es poco el dataset pero al menos ha servido para aproximarnos al 96 por ciento de confianza o certeza, según la complejidad de la imagen expertos recomiendan entrenar de 500 a 1000 imágenes, eso lo determinaremos nosotros cuando ejecutemos nuestra propia labor experimental.

Para mayor información contáctenos que gustoso lo atenderemos para trabajar juntos.