/ml_uali

Repositorio general del proyecto

Primary LanguageJupyter Notebook

Machine Learning - UALI

Este repositorio centraliza todo el contenido del proyecto de detección de objetos en imagenes aereas con el uso de CNN.

Documentación

  1. Planificación general del proyecto (abril_2021)
  2. Apunte -Investigación y estudio del estado del arte
    1. Resumen de la investigación
    2. Links de interes

Toda la documentación se ingresa con permiso.

Data pipeline

En el siguiente gráfico se presenta el data flow pensado para desplegar en IBM Cloud

Notebooks

🔴: Untrained
🟡: Training
🟢: Trained

Training

Para el entrenamiento se utiliza los servicios de GPU Google/IBM usando el Notebook training (Google Drive), finalizado el entrenamiento se guarda el notebook en GitHub.

Nombre Modelo Framework Pre weights Custom dataset Data training Best weights Notebook training MaP Status Fecha
yolo_v1 yoloV4_darknet Darknet/AlexeyAB yolov4.conv.137 openImage_v1 data_training.zip (obj.data-obj.name-.cfg) yolov4-obj_best.weights Open In Colab 54% 🟢 jun_2021

Modelos

Modelos implementados/pendientes.

Nombre Algoritmo Backbone Framework Status Fecha
yoloV4_darknet Yolo CSPDarknet53 Darknet/AlexeyAB 🟢 jun_2021

Datasets

Datasets implementados/pendientes, para las custom layers.

Nombre Fecha Origen de imagenes Categorias (test)(val) Distribución Formato +Info
openImage_v1 mayo_2021 Open Image Dataset V6 Car(3000)(600) Truck(2916)(254) Person(2902)(584) Vehicle(2968)(463) Van(2825)(112) Motorcycle(2885)(110) train(80%) validation (20%) YoloV4-Darknet
visDrone junio_2021 visDrone2021 Pedestrian, People, Bicycle, Car, Van, Truck, Tricycle, Awning-tricycle, Bus , Motor, Others train(80%) validation (20%) YoloV4-Darknet Falta el balance. Buscar en este trabajo

Uso de los datasets

Inference

Para probar los modelos e inferir resultados no es necesario contar con GPU, se puede ejecutar los notebooks localmente

Nombre Notebook
Yolo yolo_inference.ipynb

API