Estudiamos ONNX para aplicarlo al trading - página 10

[MetaQuotes]

Cómo ejecutar TensorFlow Lite en Raspberry Pi para la detección de objetos

Cómo ejecutar TensorFlow Lite en Raspberry Pi para la detección de objetos

El tutorial explica cómo configurar TensorFlow Lite en una Raspberry Pi para la detección de objetos. Esto implica actualizar Pi, habilitar la interfaz de la cámara, descargar el repositorio de GitHub, crear un entorno virtual, instalar TensorFlow y OpenCV y ejecutar un script de shell para instalar todos los paquetes y dependencias necesarios. Los usuarios pueden descargar un modelo de muestra proporcionado por Google o entrenar su propio modelo personalizado. Una vez que el modelo está listo, los usuarios pueden ejecutar un código en Python 3 para ver su secuencia de comandos de detección de cámara web en tiempo real, detección en videos e imágenes. La velocidad mejorada de TensorFlow Lite lo hace útil para aplicaciones de detección en tiempo real, como cámaras inteligentes o sistemas de alarma. El creador también menciona su propio proyecto de detector de mascotas y alienta a los espectadores a estar atentos a su próximo video sobre cómo configurar el acelerador Coral USB.

• 00:00:00 En esta sección, el tutorial en video brinda una guía paso a paso sobre cómo configurar TensorFlow Lite en una Raspberry Pi para la detección de objetos. TensorFlow Lite es un modelo ligero de aprendizaje automático optimizado para ejecutarse en dispositivos de baja potencia como Pi, con tiempos de inferencia más rápidos y menos potencia de procesamiento requerida. El tutorial cubre la actualización de Pi, la activación de la interfaz de la cámara, la descarga del repositorio de GitHub, la creación de un entorno virtual, la instalación de TensorFlow y OpenCV y la ejecución de un script de shell para instalar todos los paquetes y dependencias necesarios. El video también incluye sugerencias para lidiar con errores y obtener ayuda, y la guía de GitHub incluye una lista de errores y soluciones comunes.
  
  
• 00:05:00 En esta sección, el orador explica cómo configurar el modelo de detección para TensorFlow Lite. Los usuarios pueden descargar un modelo de muestra proporcionado por Google o entrenar su propio modelo personalizado. El modelo de muestra de Google es un modelo de red móvil SSD cuantificado entrenado en el conjunto de datos de cacao de MS, lo que le permite detectar 80 objetos comunes con una caída de precisión mínima. Para descargar el modelo de muestra, los usuarios pueden hacer clic derecho en el enlace
  en la descripción y ejecútelo en la terminal usando "W git" para descargar y "descomprimir" para extraer. Además, el orador brinda una guía escrita sobre GitHub para los usuarios que desean entrenar un modelo de detección y convertirlo a TensorFlow Lite. Una vez que el modelo está listo, los usuarios pueden ejecutar un código en Python 3 para ver su secuencia de comandos de detección de cámara web en tiempo real, detección en videos e imágenes. El orador también mencionó que explicarán cómo obtener un gran impulso en la velocidad de detección mediante el uso del acelerador USB coral de Google en su próximo video.
  
  
• 00:10:00 En esta sección, el creador del video menciona que la velocidad mejorada de TensorFlow Lite lo hace útil para aplicaciones de detección en tiempo real como cámaras inteligentes o sistemas de alarma. También mencionan su propio proyecto, un video detector de mascotas en el que usaron la detección de objetos para alertarlos si su gato quiere que lo dejen salir, y dicen que publicarán más proyectos de visión artificial de TensorFlow. Terminan agradeciendo a los espectadores por mirar y animándolos a estar atentos a su próximo video sobre cómo configurar el acelerador Coral USB.

[MetaQuotes]

Tutorial de detección de objetos de Raspberry Pi

Tutorial de detección de objetos de Raspberry Pi

En este tutorial de detección de objetos de Raspberry Pi, el presentador muestra cómo instalar Tensorflow Lite en un Raspberry Pi y usarlo para la clasificación de imágenes con demostración de clasificación en tiempo real incluida. También explican qué es lib atlas, un componente crucial del aprendizaje automático para el álgebra lineal, y cómo corregir errores relacionados en una Raspberry Pi. El presentador señala que se puede usar un acelerador Coral USB para aumentar la velocidad del proyecto, pero no es obligatorio. En general, el presentador enfatiza la flexibilidad del script para adaptarse a diferentes casos de uso o modelos.

• 00:00:00 En esta sección del video, el presentador brinda un tutorial para instalar Tensorflow Lite en una Raspberry Pi y usarlo para la clasificación de imágenes. El presentador usa la biblioteca de ejemplo de Tensorflow y señala que se puede usar un acelerador Coral USB para aumentar la velocidad del proyecto, aunque no es obligatorio. Para comenzar, el presentador actualiza la Raspberry Pi y crea un entorno virtual. El presentador demuestra cómo activar el entorno e instalar los paquetes necesarios antes de instalar el tiempo de ejecución de Tensorflow Lite. Finalmente, el presentador verifica la versión para asegurarse de que todo esté correctamente instalado.
  
  
• 00:05:00 En esta sección, el orador ejecuta un ejemplo de detección de objetos en una Raspberry Pi, pero encuentra un error relacionado con lib atlas. Explican que lib atlas es crucial para el álgebra lineal, que es un componente importante del aprendizaje automático. Muestran cómo solucionaron el problema ejecutando Sudo apt-get install lib atlas bass dash dev. Luego, el orador demuestra la clasificación en tiempo real utilizando Raspberry Pi y enfatiza que el script se puede modificar para adaptarse a diferentes casos de uso o modelos.

[MetaQuotes]

Detección de objetos OpenCV Python | Fácil y rápido (2020)

Detección de objetos OpenCV Python | Fácil y rápido (2020)

En este video tutorial titulado "Detección de objetos OpenCV Python | Fácil y rápido (2020)", el presentador demuestra cómo crear un detector de objetos usando la biblioteca OpenCV en Python. El video se enfoca en crear un detector con un equilibrio entre precisión y velocidad que puede detectar múltiples objetos comúnmente encontrados en tiempo real. El modelo MobileNet SSD se usa para la detección de objetos debido a su velocidad y precisión, y el conjunto de datos de coco se usa para detectar clases como personas, bicicletas y automóviles. El video muestra cómo recorrer varias variables utilizando la función zip para crear un rectángulo alrededor del objeto detectado y cómo modificar el código para ejecutar la detección de objetos en una cámara web. El presentador también explica cómo ajustar el valor de umbral y agregar valores de confianza a los objetos detectados para comprender la probabilidad de cada objeto.

• 00:00:00 En esta sección del video, el creador explica cómo crear un detector de objetos con un buen equilibrio entre precisión y velocidad. El detector puede ejecutarse en tiempo real mientras detecta múltiples objetos comunes y no requiere que se ejecute ninguna biblioteca de terceros que no sea OpenCV. El video repasa los códigos para crear un detector de objetos y explica en detalle el uso de MobileNet SSD, que tiene un buen equilibrio entre precisión y velocidad, y puede ejecutarse en una CPU casi en tiempo real, lo que lo convierte en una excelente opción para detección de objetos comunes. Finalmente, opencv-python es la única biblioteca necesaria para ejecutar el detector, y el conjunto de datos de coco se usa para detectar clases como persona, bicicleta y automóvil.
  
  
• 00:05:00 En esta sección del video tutorial, el presentador demuestra cómo mostrar una imagen usando la biblioteca OpenCV en Python. Importan nombres de objetos del conjunto de datos de coco utilizando la función with open y los leen como una matriz. Luego importan archivos de configuración y pesos y usan la función OpenCV para crear el modelo. A diferencia del video tutorial de YOLO, donde se tuvieron que aplicar técnicas para extraer el cuadro delimitador, la función hace todo el procesamiento por nosotros, y todo lo que tenemos que hacer es pasar la imagen, y mostrará el cuadro delimitador y los nombres de identificación.
  
  
• 00:10:00 En esta sección, el video tutorial explica cómo realizar la detección de objetos usando OpenCV y Python. Después de configurar el modelo de detección, el código envía la imagen de entrada al modelo y devuelve los identificadores de clase, los niveles de confianza y los cuadros delimitadores. El tutorial se centra en poner en marcha un detector de objetos de la forma más rápida y sencilla posible sin grandes trámites ni instalaciones. El código se puede utilizar para diversas aplicaciones, como automóviles autónomos o dispositivos robóticos. El tutorial también aborda la importancia de los identificadores de clase y la importancia de restar uno de sus valores al referirse a los nombres de clase.
  
  
• 00:15:00 En esta sección, el instructor explica cómo recorrer tres variables o información diferentes usando la función zip. Usan zip para aplanar las variables de cuadro delimitador y de confianza y luego usan un bucle for para crear un rectángulo alrededor del objeto detectado. También escriben el nombre del objeto detectado usando la función putText y usan la variable de nombres de clase para restar uno de la identificación de clase para obtener el nombre apropiado. El instructor agrega otros parámetros para que la etiqueta sea más visible e incluso cambia el texto para que esté todo en mayúsculas. Finalmente, detectan con éxito a una persona en la imagen.
  
  
• 00:20:00 En esta sección, el tutorial demuestra cómo modificar el código para ejecutar la detección de objetos en una cámara web en lugar de imágenes estáticas. El código usa "cv2.videoCapture" para inicializar la cámara web y establecer los parámetros de tamaño de imagen. El ciclo while se usa para capturar y mostrar constantemente la transmisión de la cámara web, y se agrega una condición para verificar si se ha detectado algún objeto antes de mostrarlo. El sistema detecta con precisión objetos como un teclado, un monitor, un teléfono celular y un mouse en tiempo real utilizando la transmisión de la cámara web.
  
  
• 00:25:00 En esta sección, el autor explica que el algoritmo de detección de objetos puede detectar objetos con buena velocidad y precisión, aunque puede que no sea la mejor precisión. Luego, el video continúa mostrando cómo cambiar el valor de umbral y agregar valores de confianza a los objetos detectados. Luego, YouTuber ejecuta el programa y demuestra cómo se muestran los valores de confianza para los objetos detectados, que son visibles y lo suficientemente claros para comprender la probabilidad de cada objeto.

[MetaQuotes]

Cómo configurar la detección de objetos TensorFlow en Raspberry Pi

Cómo configurar la detección de objetos TensorFlow en Raspberry Pi

En este video, se explica paso a paso el proceso de configuración de la API de detección de objetos de TensorFlow en una Raspberry Pi. Primero, se instalan los paquetes necesarios, incluidos TensorFlow, OpenCV y protobuf. Luego, se configura la estructura de TensorFlow y los modelos SSD Lite se descargan del zoológico de modelos de detección de TensorFlow. Se proporciona un script de Python para la detección de objetos y se muestra a los espectadores cómo usarlo con una cámara Pi o una cámara web USB. El video también cubre temas más avanzados, como la descarga y el uso de un modelo personalizado. El Raspberry Pi se recomienda para proyectos creativos que requieren bajo costo y portabilidad, como una gatera digital que puede enviar un mensaje cuando detecta al gato residente afuera.

• 00:00:00 En esta sección del video, el narrador brinda una guía sobre cómo configurar la API de detección de objetos de TensorFlow en una Raspberry Pi. Los pasos incluyen la actualización de Raspberry Pi, la instalación de TensorFlow, OpenCV y protobuf, la configuración de la estructura de directorios de TensorFlow y la prueba del detector de objetos. El narrador también recomienda instalar dependencias adicionales, como numpy, pillow, scipy y matplotlib. Además, el video brinda consejos útiles, como la instalación de libatlas y el códec libAV para un procesamiento fluido.
  
  
• 00:05:00 En esta sección, el orador brinda una guía paso a paso sobre cómo instalar la API de detección de objetos de TensorFlow en Raspberry Pi. Comienzan instalando los paquetes necesarios, incluidos lib xvid core dev, lib x264 dev y QT para herramientas de desarrollo, seguidos de OpenCV. Luego, el orador explica los desafíos que surgen con la instalación de protobuf en Raspberry Pi y guía al espectador sobre cómo compilarlo desde la fuente, incluida la obtención de los paquetes necesarios para compilar la fuente divertida de proto bruh y la descarga de la página de lanzamientos de protobuf. Finalmente, el hablante proporciona los comandos de ruta necesarios y emite el comando para instalar los búferes de protocolo de la implementación de Python.
  
  
• 00:10:00 En esta sección, el orador explica el proceso para configurar el directorio TensorFlow en la Raspberry Pi. Esto implica crear un directorio para TensorFlow y descargar el repositorio de TensorFlow de GitHub. La variable de entorno de ruta de Python debe modificarse para apuntar a algunos directorios dentro del repositorio de TensorFlow, y esto se hace modificando el archivo bash RC. El orador también explica cómo descargar el modelo SSD Lite del zoológico de modelos de detección de TensorFlow y el uso de Pro Talk para compilar los archivos de búfer de protocolo utilizados por la API de detección de objetos. Finalmente, se proporciona un script de Python para detectar objetos en transmisiones en vivo desde una cámara Pi o una cámara web USB, cuyo código está disponible en el repositorio de GitHub del orador.
  
  
• 00:15:00 En esta sección, el orador guía a los espectadores sobre cómo usar la detección de objetos TensorFlow en Raspberry Pi. Primero instruyen a los espectadores para que descarguen y ejecuten el script de Python para la detección de objetos, asegurándose de que la cámara PI esté habilitada en el menú de configuración. También explican que se recomienda cerrar todas las demás aplicaciones, especialmente el navegador web, ya que tensorflow usa mucha memoria. El orador también muestra cómo usar un modelo que el usuario ha entrenado y proporciona un enlace de Dropbox para su propio modelo de detección de naipes como ejemplo. Se recomienda a los espectadores que ejecuten el script de detección de objetos, que puede tardar hasta un minuto en inicializarse, y luego detectará objetos comunes y los mostrará en una ventana con un rectángulo. Por último, el orador recomienda el Raspberry Pi para aplicaciones creativas que requieren bajo costo y portabilidad, como una gatera digital que envía un mensaje cuando detecta al gato residente afuera.

[MetaQuotes]

Reconocimiento facial con Raspberry Pi + OpenCV + Python

Reconocimiento facial con Raspberry Pi + OpenCV + Python

Core Electronics muestra cómo crear un sistema de reconocimiento facial utilizando OpenCV y el paquete de reconocimiento facial de Python en una Raspberry Pi. El tutorial incluye entrenar el sistema usando un código de Python llamado "train_model.py" y probarlo a través de un código de identificación llamado "facial_req.py". El sistema puede diferenciar caras desconocidas y conocidas, y también puede girar el servo una vez que el sistema reconoce una cara conocida. El creador le da crédito a los equipos del paquete de reconocimiento facial y OpenCV, junto con Carolyn Dunn, por hacer posible este tipo de software y tiene grandes esperanzas en su potencial en sus proyectos futuros.

• 00:00:00 En esta sección, Core Electronics demuestra cómo utilizar OpenCV y el paquete de reconocimiento facial de Python en una Raspberry Pi para crear un sistema de reconocimiento facial. Primero, reúnen los materiales necesarios, incluida la Raspberry Pi, la cámara oficial, la tarjeta Micro SD, el cable HDMI y la fuente de alimentación. Después de configurar la raspberry pi e instalar los paquetes, muestran cómo entrenar el sistema de reconocimiento facial usando un código python llamado "train_model.py" y luego probarlo usando un código de identificación llamado "facial_req.py". El programa permite que la cámara Raspberry Pi busque caras en vivo y las identifique correctamente una vez que las localiza. El sistema también puede distinguir entre caras desconocidas y conocidas, mostrando "desconocido" o el nombre del sujeto, respectivamente.
  
  
• 00:05:00 En esta sección, el creador del video explica cómo agregar seis líneas de código al script para controlar un servo usando los pines GPIO de la Raspberry Pi, que pueden girar solo cuando el sistema Raspberry Pi reconoce la cara de su propietario. El sistema no activará el servo si no reconoce ninguna cara o una cara desconocida. El creador del video oculta su rostro y muestra cómo se mueve el servo al reconocer su rostro. Da crédito a los equipos del paquete de reconocimiento facial y OpenCV ya Carolyn Dunn por crear el software que hace que estos sistemas funcionen tan bien juntos. El creador del video cree que este software tiene un potencial inmenso para llevar proyectos a lugares increíbles.

[MetaQuotes]

Cómo instalar TensorFlow 2 y OpenCV en una Raspberry Pi

Cómo instalar TensorFlow 2 y OpenCV en una Raspberry Pi

Este video proporciona una guía paso a paso sobre cómo instalar TensorFlow 2 y OpenCV en una Raspberry Pi. El presentador enfatiza la importancia de tener un Pi más nuevo, específicamente un Pi 4 de 64 bits, y brinda instrucciones sobre cómo instalar el sistema operativo Raspberry Pi, actualizar y mejorar el sistema, y seleccionar el script de shell TensorFlow apropiado para su sistema. El video también explica cómo cambiar la versión de Python a 3.7 para aquellos que experimentan problemas con la instalación y brinda instrucciones detalladas sobre la instalación de entornos virtuales, paquetes de sistema, TensorFlow y OpenCV. A lo largo del video, el presentador brinda consejos útiles y soluciones a posibles errores. El video concluye probando la instalación de OpenCV y TensorFlow usando comandos de importación y alienta a los espectadores a dejar comentarios o solicitudes.

• 00:00:00 En esta sección del video, el presentador explica cómo configurar una Raspberry Pi para una instalación todo en uno de TensorFlow y OpenCV, comenzando por la importancia de tener una Pi más nueva, específicamente una Pi 4 que es de 64 bits. El video cubre el proceso de instalación del sistema operativo Raspberry Pi y la configuración de un nombre de host, un nombre de usuario, una contraseña y configuraciones Wi-Fi utilizando el generador de imágenes Raspberry Pi. Después de iniciar Pi, el presentador les indica a los espectadores que actualicen y actualicen antes de verificar su versión de Python y la salida "uname -m", que son importantes para seleccionar el script de shell de TensorFlow apropiado para su sistema. El presentador también dirige a los espectadores a scripts de shell alojados de forma privada y archivos de rueda que pueden hacer que TensorFlow funcione con Raspberry Pi.
  
  
• 00:05:00 En esta sección del video, el presentador explica cómo cambiar su versión de Python a 3.7 para aquellos que tienen problemas para instalar TensorFlow 2 y OpenCV en una Raspberry Pi. Para hacer esto, los espectadores deben usar pi m e instalar la versión de Python requerida. El presentador demuestra cómo instalar pi m, agregar líneas al archivo dot bash rc, instalar paquetes del sistema y actualizar pi m. Luego, el presentador explica cómo instalar la versión 3.7.12 de Python y crear un directorio de proyectos. Finalmente, el presentador muestra a los espectadores cómo funciona pi m y verifica la versión de Python.
  
  
• 00:10:00 En esta sección, el ponente explica cómo instalar TensorFlow 2 y OpenCV en una Raspberry Pi. El orador sugiere usar Python3.9 o Python3.7 con el comando de shell de rueda TensorFlow apropiado. Recorren la instalación de un paquete de entorno virtual y la creación de un entorno en el que trabajar. Luego, el orador explica cómo instalar los paquetes del sistema y TensorFlow. Se proporciona una prueba simple para determinar si la instalación es exitosa. El orador también analiza un error que los usuarios pueden encontrar y presenta la solución al problema.
  
  
• 00:15:00 En esta sección, el orador brinda instrucciones para instalar OpenCV en Raspberry Pi. Para los usuarios de Raspberry Pi 3, recomienda seguir un método particular detallado en un video específico y luego ejecutar un solo comando: pip install opencv-python. Este comando tarda entre diez y veinte segundos en ejecutarse, y el orador recomienda no agregar ninguna función opcional a menos que sea un usuario avanzado. El video termina probando la instalación de OpenCV y TensorFlow usando comandos de importación, y el orador alienta a los espectadores a dejar comentarios, solicitudes o comentarios.

[MetaQuotes]

Identificación de objetos y reconocimiento de animales con Raspberry Pi + OpenCV + Python

Identificación de objetos y reconocimiento de animales con Raspberry Pi + OpenCV + Python

El video muestra un proyecto Raspberry Pi 4 que utiliza una biblioteca entrenada y una cámara Pi para identificar una amplia gama de 91 animales y objetos en tiempo real con una calificación de confianza. El presentador ofrece una demostración completa de cómo instalar el hardware, configurar la Raspberry Pi e instalar el software OpenCV para permitir operaciones de procesamiento de imágenes y visión por computadora en tiempo real. A través del ejemplo de una taza como objetivo, los espectadores aprenden cómo modificar el código para enviar señales a través de los pines GPIO de Raspberry Pi para ejecutar acciones específicas cuando OpenCV identifica el objetivo. El presentador destaca el potencial del software para proyectos emocionantes y expresa su gratitud hacia los equipos de OpenCV y CoCo.

• 00:00:00 En esta sección del video, el presentador presenta el proyecto de usar una Raspberry Pi 4 en combinación con una biblioteca entrenada y una cámara Pi para identificar 91 objetos y animales únicos en tiempo real, con una calificación de confianza actualizada . El software Opencv se utiliza para proporcionar recursos para ayudar a resolver problemas de procesamiento de imágenes y visión artificial en tiempo real. El presentador recorre los pasos necesarios para instalar el hardware, configurar la Raspberry Pi e instalar el software. Luego se le muestra al espectador cómo ejecutar el código y cómo jugar con varios de los valores del código para refinar el proceso de identificación de objetos y animales.
  
  
• 00:05:00 En esta sección, el presentador demuestra cómo modificar el código para enviar señales a través de los pines GPIO de una Raspberry Pi cada vez que el software OpenCV ve un objetivo en particular, en este caso una taza. El código modificado ordena a la Raspberry Pi que gire cada vez que se detecta la copa. Se destaca el potencial de este software para emprender proyectos increíbles, junto con un agradecimiento a los equipos de OpenCV y CoCo por su trabajo en este software.

[MetaQuotes]

Detección de objetos Raspberry Pi usando OpenCV Python

Detección de objetos Raspberry Pi usando OpenCV Python

El video de YouTube "Detección de objetos Raspberry Pi usando OpenCV Python" demuestra cómo acceder y modificar un código para la detección de objetos, específicamente el SSD MobileNet. El tutorial enfatiza la codificación modular y brinda consejos para usar el código en diferentes plataformas, incluida Raspberry Pi. El video muestra cómo convertir el código en un módulo y crear una función que detecte objetos específicos y controle lo que genera el modelo. El presentador también demuestra cómo modificar el código para la detección de objetos al agregar parámetros como el valor de umbral y la supresión no máxima. El video proporciona los archivos e instrucciones necesarios para configurar la detección de objetos en una Raspberry Pi y ofrece una demostración de la detección de objetos específicos. El presentador invita a los espectadores a visitar su sitio web para obtener información sobre descargas y suscripciones.

• 00:00:00 El video muestra cómo acceder al código del proyecto de detección de objetos y crear una función que permita a los usuarios obtener información sobre objetos específicos. El código utilizado es de un video anterior que detecta diferentes objetos usando el SSD MobileNet. El tutorial también enfatiza la escritura de código modular para que sea más fácil eliminar y agregar código. Además de explicar el código, el tutor también brinda consejos útiles sobre cómo escribir y usar el código en diferentes plataformas, incluida Raspberry Pi.
  
  
• 00:05:00 En esta sección, el orador describe cómo convertir el código que se escribió previamente en un módulo al que pueden acceder otros scripts. El orador demuestra creando una función llamada "get_objects" que toma una imagen como entrada y devuelve una imagen con rectángulos y etiquetas de detección de objetos como salida. El altavoz también muestra cómo usar el parámetro "nms" para eliminar las detecciones de objetos superpuestos. Al final de la sección, el orador ha creado una función modular que se puede usar para detectar objetos en una imagen con OpenCV y Python.
  
  
• 00:10:00 En esta sección, el video muestra cómo agregar funcionalidad para controlar si se muestran los cuadros delimitadores y los nombres de clase para aumentar o disminuir la velocidad de fotogramas. El video explica que se puede establecer un valor booleano para determinar si dibujar los cuadros delimitadores y luego muestra cómo implementar esto en el bucle for. El video también agrega la función para enviar información sobre el cuadro delimitador y el nombre de la clase, lo que le permite recibir la información real en lugar de solo mostrarla. Finalmente, el video muestra cómo agregar funcionalidad para detectar objetos específicos y controlar lo que genera el modelo.
  
  
• 00:15:00 En esta sección del video, el presentador explica cómo personalizar el módulo de detección de objetos para detectar objetos específicos. El usuario puede crear una lista de objetos para detectar escribiéndolos en la lista de objetos. Si el usuario deja la lista vacía, detectará todas las clases en las que fue entrenado. El presentador muestra un ejemplo de cómo detectar solo tazas agregando "taza" a la lista de objetos. Se pueden agregar varios objetos a la lista y el programa detectará solo esos objetos. El presentador también proporciona una forma de ejecutar el módulo de detección de objetos desde otro módulo utilizando el módulo principal.
  
  
• 00:20:00 En esta sección del video, el presentador explica cómo modificar el código para la detección de objetos agregando parámetros como un valor de umbral y supresión no máxima (NMS). El parámetro NMS ayuda a eliminar detecciones duplicadas en la imagen. El presentador muestra cómo agregar estos parámetros al código y demuestra los efectos de cambiar sus valores. Más adelante en el video, el presentador explica que para ejecutar el código en una Raspberry Pi, se necesita OpenCV versión 4.3 o posterior. Si el usuario no ha instalado esta versión antes, puede seguir las instrucciones del presentador en su sitio web.
  
  
• 00:25:00 En esta sección, el instructor demuestra cómo configurar la detección de objetos en una Raspberry Pi usando OpenCV y Python. Esto implica reemplazar varios archivos con la última versión, importar cv2 y verificar el número de versión. El instructor también proporciona los archivos necesarios para la detección de objetos y demuestra cómo editar la ruta del archivo para que funcione correctamente. Además, el instructor muestra un ejemplo de detección de objetos con una cámara externa y señala que puede llevar algo de tiempo procesarlo. El código se ejecuta con éxito y el modelo puede detectar objetos como botellas, tazas y controles remotos.
  
  
• 00:30:00 En esta sección, el presentador demuestra la capacidad de detectar objetos específicos utilizando OpenCV y Python en una Raspberry Pi. Prueban la detección cambiando la etiqueta de "remoto" a "taza" y luego a "botella" y proceden a ejecutar la detección nuevamente. La detección parece funcionar bien en Raspberry Pi, pero es lenta. El presentador menciona que intentarán la misma detección en un Jetson Nano en el próximo video para ver cuánto mejor funciona. También invitan a los espectadores a visitar su sitio web para descargar los archivos y códigos de forma gratuita y suscribirse a su canal.

[MetaQuotes]

Instale y cree OpenCV python desde el origen en Raspberry pi 4 y 3

Instale y cree OpenCV python desde el origen en Raspberry pi 4 y 3

El video de YouTube explica dos métodos para instalar OpenCV para Python en una Raspberry Pi, el primero involucra un solo comando de terminal para instalar binarios preconstruidos y el segundo método requiere compilar OpenCV desde la fuente. Después de descargar el código fuente del repositorio de Github, los pasos finales para compilar OpenCV desde el código fuente en una Raspberry Pi implican ejecutar los comandos cmake y make, que pueden tardar varias horas en completarse, antes de escribir el comando "sudo make install". El video demuestra cómo verificar la instalación exitosa usando un comando de Python. El video termina con un estímulo para dar me gusta, suscribirse y hacer cualquier pregunta en la sección de comentarios.

• 00:00:00 En esta sección del video, el presentador explica dos métodos para instalar OpenCV para Python en una Raspberry Pi. El primer método consiste en instalar binarios preconstruidos con un solo comando de terminal, que es simple pero puede no garantizar la última versión de OpenCV. El segundo método es compilar OpenCV desde la fuente, lo que requiere instalar primero algunas dependencias, descargar la fuente del repositorio de Github y crear y ejecutar un comando para compilar la fuente. Ambos métodos se muestran paso a paso en el video.
  
  
• 00:05:00 En esta sección, el video analiza los pasos finales para instalar y compilar OpenCV Python desde el código fuente en una Raspberry Pi 4 o 3. Después de ejecutar el comando cmake y luego el comando make, que puede tardar varias horas en completarse, el paso final es escribir "sudo make install". Para verificar si la instalación fue exitosa, el video muestra cómo ingresar el comando "python3" y luego "importar cv2 como cv" seguido de una declaración de impresión. Si el terminal devuelve un mensaje con la versión de OpenCV, entonces la instalación fue exitosa. El video alienta a los espectadores a que les guste y se suscriban al canal y a hacer cualquier pregunta en la sección de comentarios.

[MetaQuotes]

Red neuronal en tu teléfono: desde la capacitación hasta la implementación a través de ONNX

Red neuronal en tu teléfono: desde la capacitación hasta la implementación a través de ONNX

En este video sobre "Red neuronal en su teléfono: desde el entrenamiento hasta la implementación a través de ONNX", el presentador demuestra cómo entrenar una red neuronal utilizando la API de la comunidad iNaturalist para identificar diferentes especies de hongos en función de si son tóxicos o comestibles. Luego explican cómo implementar el modelo en un iPhone usando el paquete Core ML de Apple. El ponente también destaca la importancia de formatear el modelo entrenado en el formato de archivo ONNX antes de importarlo a Core ML. El presentador destaca que EfficientNet será el modelo futuro para la clasificación de imágenes, con cuidado en la selección del modelo, y sugiere construir clasificadores para plantas, animales o aves.

• 00:00:00 En esta sección, el presentador explica cómo entrenar un clasificador de imágenes de hongos utilizando la API de la comunidad iNaturalist para obtener cientos de imágenes diferentes de todo tipo de especies de hongos. Usando Mathematica, almacenaron las imágenes y las clasificaron según fueran tóxicas o comestibles, basándose en 11 especies de hongos tóxicos y 11 comestibles comunes en su región. Las imágenes fueron recortadas y redimensionadas antes del posterior entrenamiento de la red neuronal. El presentador demuestra con Fly Agarik y Death Cap, un hongo mortal que también se clasificó de manera efectiva a través del mismo método.
  
  
• 00:05:00 En esta sección, el orador analiza el proceso de entrenamiento de una red neuronal para identificar diferentes especies de hongos, utilizando un modelo de red previamente entrenado del repositorio de red. Describen cómo crearon etiquetas de clase y conjuntos de entrenamiento y prueba, y usaron el aprendizaje de transferencia para entrenar el modelo con un método de descenso de gradiente estocástico. También mencionan la importancia de exportar el modelo entrenado en el formato de archivo ONNX, que es un formato de intercambio de red neuronal abierta creado hace unos años por líderes de la industria en aprendizaje automático.
  
  
• 00:10:00 En esta sección, el orador explica cómo se pueden implementar redes neuronales en un dispositivo con sistema operativo iOS utilizando el paquete Core ML de Apple. Para convertir el modelo al formato Core ML, el orador muestra cómo usar las herramientas CoreML para importar varios tipos de modelos de red, incluido ONNX, y cómo especificar argumentos de preprocesamiento y etiquetas de clase para el conjunto de datos de hongos que se usa como ejemplo. El orador también señala que los modelos Core ML funcionan de manera similar a los modelos de lenguaje natural, con un codificador y un decodificador, y destaca algunas diferencias entre los dos formatos en términos de valores de píxeles y sesgo de color.
  
  
• 00:15:00 En esta sección, el ponente explica los pasos a seguir para implementar un modelo Core ML en un iPhone. Demuestran cómo reemplazar el modelo MobileNet preexistente en un proyecto Xcode con su propio modelo de especies de hongos. El orador demuestra que el modelo funciona correctamente al probarlo en varios hongos que encontraron en el bosque. Animan a la audiencia a consultar su cuaderno Jupyter para obtener más información.
  
  
• 00:20:00 En esta sección, el ponente menciona que el modelo con mejor rendimiento para la clasificación de imágenes es EfficientNet, que estará disponible en el futuro. Sin embargo, el usuario debe tener cuidado de no elegir un modelo EfficientNet que tenga demasiada memoria. El orador advierte contra el uso del clasificador para cocinar sin la consulta de un experto, ya que algunos tipos de hongos pueden ser mortales. En el futuro, el orador planea crear un flujo de trabajo para la presentación y ofrecer publicaciones de blog sobre el tema. También planean incluir ejemplos de audio, como la identificación de cantos de pájaros. El orador sugiere iniciar un grupo de estudio para tales aplicaciones y temas, y destaca que el punto ONNX depende del uso de Android.
  
  
• 00:25:00 En esta sección, el orador analiza diferentes opciones para importar observaciones de especies y otras funciones útiles, como importar búsqueda gpif, importar gpif y datos globales, que se pueden usar para crear clasificadores de animales o plantas. El orador también agradece a la audiencia por su atención y los invita a hacer más preguntas en el grupo de aprendizaje automático de la comunidad.