Modelos CNN Yolo v8 y SSD v2 para detección de baches en pistas -- 2
Budget: $750 – $1,500 USD
Para un proyecto académico para la detección de objetos en imágenes, específicamente baches en las pistas se requieren:
1. Se requiere dos modelos de CNN (Yolo V8 y SSD V2) realizados en google colab para la detección de imágenes en las pistas.
2. Se tiene 1000 imágenes etiquetadas para el entrenamiento de los modelos en Yolo V8 y SSD V2.
a. Realizar el entrenamiento de los modelos ajustando los hiperparametros generando las gráficas de cómo va el entrenamiento (loss function) y otras métricas de evaluación que crean convenientes.
3. Una vez entrenado los modelos se hace el test de prueba a la base de datos de las fotos, aproximadamente 5000 fotos etiquetadas y se evalúa el rendimiento de los modelos
a. Realizar inferencias en el conjunto de datos de prueba: Ejecuta el modelo en las imágenes de prueba para obtener las detecciones de objetos (bounding boxes y clases).
b. Comparar las detecciones con las anotaciones de ground truth: Calcula métricas de evaluación como precisión, exhaustividad, F1-score, IoU y mAP para comparar las predicciones del modelo con las anotaciones de ground truth. Estas métricas te permitirán evaluar la calidad de las detecciones y el rendimiento general del modelo en el conjunto de datos de prueba.
c. Visualizar resultados: Visualiza las detecciones de objetos en las imágenes de prueba y compara los resultados con las anotaciones de ground truth. Esto te ayudará a identificar áreas donde el modelo tiene dificultades y áreas donde funciona bien.
d. Análisis de errores: Analiza las situaciones en las que el modelo no funciona bien, como falsos positivos, falsos negativos y detecciones imprecisas. Esto te permitirá identificar posibles mejoras en la arquitectura del modelo, los hiperparámetros o el conjunto de datos.
e. Al evaluar los resultados de los modelos de detección de objetos en un conjunto de datos de prueba, podrás obtener una medida realista del rendimiento del modelo en situaciones del mundo real y determinar si cumple con tus necesidades y expectativas.
Los entregables del trabajo son:
1. Los códigos desarrollados en google colab de Yolo V8 y SSD V2
2. Las métricas de evaluación del entrenamiento de los modelos.
3. Las métricas de evaluación del test de prueba.
1. Se requiere dos modelos de CNN (Yolo V8 y SSD V2) realizados en google colab para la detección de imágenes en las pistas.
2. Se tiene 1000 imágenes etiquetadas para el entrenamiento de los modelos en Yolo V8 y SSD V2.
a. Realizar el entrenamiento de los modelos ajustando los hiperparametros generando las gráficas de cómo va el entrenamiento (loss function) y otras métricas de evaluación que crean convenientes.
3. Una vez entrenado los modelos se hace el test de prueba a la base de datos de las fotos, aproximadamente 5000 fotos etiquetadas y se evalúa el rendimiento de los modelos
a. Realizar inferencias en el conjunto de datos de prueba: Ejecuta el modelo en las imágenes de prueba para obtener las detecciones de objetos (bounding boxes y clases).
b. Comparar las detecciones con las anotaciones de ground truth: Calcula métricas de evaluación como precisión, exhaustividad, F1-score, IoU y mAP para comparar las predicciones del modelo con las anotaciones de ground truth. Estas métricas te permitirán evaluar la calidad de las detecciones y el rendimiento general del modelo en el conjunto de datos de prueba.
c. Visualizar resultados: Visualiza las detecciones de objetos en las imágenes de prueba y compara los resultados con las anotaciones de ground truth. Esto te ayudará a identificar áreas donde el modelo tiene dificultades y áreas donde funciona bien.
d. Análisis de errores: Analiza las situaciones en las que el modelo no funciona bien, como falsos positivos, falsos negativos y detecciones imprecisas. Esto te permitirá identificar posibles mejoras en la arquitectura del modelo, los hiperparámetros o el conjunto de datos.
e. Al evaluar los resultados de los modelos de detección de objetos en un conjunto de datos de prueba, podrás obtener una medida realista del rendimiento del modelo en situaciones del mundo real y determinar si cumple con tus necesidades y expectativas.
Los entregables del trabajo son:
1. Los códigos desarrollados en google colab de Yolo V8 y SSD V2
2. Las métricas de evaluación del entrenamiento de los modelos.
3. Las métricas de evaluación del test de prueba.