Entradas

Mostrando las entradas de julio, 2017

Tensorflow Object Detection, una mirada a las publicaciones en Facebook

Imagen
En historias anteriores detectamos algunos objetos dentro de una imagen , luego hicimos una extensión para analizar un video , de forma muy rudimentaria, pero funcional y hoy tenemos otro desafío. ¿Podemos conocer algo del enfoque social utilizando las imágenes compartidas en alguna de las redes sociales disponibles?. ¿Podríamos realizar esta operación explorando el stream social? Vamos a asumir que no analizamos contexto real de la situación, solo vamos a concentrarnos en las imágenes de publicaciones compartidas, igualmente este esquema sirve para iniciar el análisis sobre el marco social. Vamos a utilizar un enlace a Facebook para nuestra solución. Diagrama general de operaciones: Operaciones a realizar: Enlace a un usuario social  Lectura y exploración de cada publicación.  Extracción de la imagen  Análisis de la imagen  Agrupación de las etiquetas detectadas. Veamos la implementación propuesta, análisis sobre mi propio perfil. Exploración de 40 post de las últimas

Tensorflow Object Detection en videos, basta de pizza, donuts y cakes...

Imagen
En un artículo anterior les compartí un desafío en donde analizamos una imagen de una situación social, una cena con amigos. Ahora vamos a trabajar en un desafío mayor, vamos a analizar videos. En este desafío solo buscaremos detectar un objeto prohibido dentro del video (pizzas, donuts, cakes). Vamos a utilizar una simple metodología: Leemos el video y los separamos por frames (luego los tratamos como imágenes) Analizamos cada imagen con nuestra rutina de detección de objetos basada en Tensor Flow[version 1.2.1] Object Detection API . Podríamos volver a ensamblar el video para visualizar los resultados. [tenemos que saber que es un procedimiento que consume muchos recursos] Como no deseamos ver los resultados de manera visual,  les voy a proponer algo. Ya que solo necesitamos identificar un objeto con una probabilidad alta, vamos a colocar reglas para generar una alerta al detectar estas etiquetas dentro del video. El procedimiento de detección y alerta sería el siguiente, cu

TensorFlow Object Detection API, cena con amigos

Imagen
Día a día se registran avances en gran cantidad de sectores aplicando inteligencia artificial, y desde luego no es la excepción el sector de aprendizaje en visión automatizada. Hace unos días, el equipo de Google Research publicó un artículo con la propuesta de #Tensorflow API para detección de objetos. Por este motivo, me gustaría dejar un desafío. Podríamos detectar de forma automática los elementos en una cena con amigos? Para este objetivo lo ideal sería utilizar un modelo pre entrenado, tenemos algunas opciones listas para utilizar : ssd_mobilenet_v1_coco_11_06_2017 ssd_inception_v2_coco_11_06_2017 rfcn_resnet101_coco_11_06_2017 faster_rcnn_resnet101_coco_11_06_2017 faster_rcnn_inception_resnet_v2_atrous_coco_11_06_2017 Todos los modelos utilizan COCO, (common objects in context) puedes ver los detalles aquí . Veamos nuestra imagen original, que hipotéticamente se acaba de capturar por uno de los participantes de la cena: Image reference COCO database Y veamo

Regresión lineal simple utilizando #tflearn

Imagen
Tiempo atrás les compartí una pequeña implementación en donde se mostraba un ejemplo de regresión lineal univariable, utilizando el mecanismo puro de #tensorflow. En esta oportunidad la implementación se comparaba con la predicción tradicional que realizan soluciones como Google Spreadsheet. Como muchas veces, utilizar aprendizaje automático, incluso para modelo relativamente simples es un desafío,  tratando mitigar esto, hoy les quiero compartir esta misma actividad implementada de manera similar, pero utilizando #tensorflow y una librería de alto nivel #tflearn  [creada por sobre #tensorflow]. Veamos si se percibe con menos complejidad. Versión de #tensorflow utilizada: 1.2.1 Recordemos que el objetivo es predecir la altura de los niños basada en su edad. Veamos la implementación completa, ustedes mismos pueden comparar la secuencia de pasos anteriormente implementada y esta nueva versión utilizando #tflearn. De esta simple implementación podrían prestar atención a estos