Computer vision models require more than accurate architectures—they depend on well-prepared datasets, stable training processes, and reliable evaluation workflows. In this course, you'll learn how to optimize and deploy computer vision models used in real-world AI systems.
You’ll start by analyzing computer vision datasets and applying image augmentation techniques to improve model performance and generalization. Next, you'll learn how to evaluate model predictions using task-specific metrics and conduct failure analysis to identify weaknesses in model behavior.
The course also explores techniques for stabilizing deep learning training. You’ll examine how initialization, normalization, and regularization affect model learning dynamics and learn how to diagnose issues such as vanishing or exploding gradients.
Finally, you'll learn how machine learning engineers reproduce and evaluate AI experiments using structured workflows and ablation studies. By the end of the course, you’ll be able to prepare vision datasets, diagnose training challenges, evaluate model performance, and deploy computer vision models using reliable engineering workflows.
- Optimizar conjuntos de datos de visión: Aumentar y analizar: Analizando conjuntos de datos de visión
En este módulo, aprenderás cómo examinar sistemáticamente un conjunto de datos de visión antes de entrenar un modelo. Analizarás la distribución de clases, estadísticas de imágenes, calidad de datos y brechas en el despliegue para entender qué soporta tu conjunto de datos y dónde puede fallar en producción. Utilizarás esos hallazgos para elegir una familia de modelos apropiada y definir una línea de procesamiento previo basada en el tamaño del conjunto de datos, las propiedades de las imágenes y los problemas de calidad más que en suposiciones. Al final del módulo, podrás transformar el análisis del conjunto de datos en decisiones concretas de modelado que reduzcan el tiempo de depuración y mejoren el rendimiento subsecuente.
- Optimizar conjuntos de datos de visión: Aumentar y analizar: Aumentando conjuntos de datos de visión
En este módulo, aprenderás cómo usar la aumentación como una herramienta estratégica para expandir la diversidad del conjunto de datos y mejorar la generalización del modelo. Explorarás técnicas fundamentales de aumentación en transformaciones basadas en la geometría, color, ruido, desenfoque y composición, y evaluarás cada una a través del lente de la validez semántica. Aprenderás cómo seleccionar y combinar aumentaciones en función de las brechas del conjunto de datos, el desequilibrio de clases y las condiciones reales de despliegue, mientras delimitas correctamente la aumentación solo al conjunto de entrenamiento. Al final del módulo, podrás diseñar una línea de aumentación con propósito, consciente del dominio, y alineada con lo que tu modelo necesita aprender.
- Desplegar y evaluar modelos de visión de manera efectiva: Hacerlo bien: Construyendo una API de inferencia lista para producción
Convertirás un modelo de visión entrenado en un servicio utilizable. Estandarizarás entradas/salidas, containerizarás la aplicación y expondrás /predict que devuelva nombres de clase y puntuaciones de confianza como JSON. Al final, tendrás una línea de inferencia reproducible y testeable alineada con necesidades reales de ingeniería.
- Desplegar y evaluar modelos de visión de manera efectiva: Medir lo que importa: Evaluación del rendimiento del modelo de visión
Evaluarás modelos de visión desplegados utilizando métricas y análisis de errores. Calcularás medidas específicas de tareas como precisión media promedio (mAP) y segmentarás errores por condición (por ejemplo, baja iluminación versus tiempo diurno). Aplicarás este análisis para diagnosticar modos de fallo, documentar causas y recomendar los siguientes pasos, fortaleciendo tu capacidad para equilibrar informes de rendimiento con conocimientos accionables. Al final, sabrás cómo convertir métricas en bruto en narrativas significativas que guíen la mejora y comuniquen fiabilidad.
- Optimizar aprendizaje profundo: Estabilizar y diagnosticar modelos: Fundamentos de la estabilidad del modelo
Explorarás los fundamentos de la estabilidad en aprendizaje profundo, por qué los modelos divergen, sobreajustan o fallan en converger y cómo solucionarlo. Practicarás el uso de inicialización de pesos, normalización y regularización para estabilizar un modelo de segmentación. En el camino, utilizarás TensorBoard para interpretar normas de gradiente e identificar gradientes vanos antes de que descarrilen tu entrenamiento.
- Optimizar aprendizaje profundo: Estabilizar y diagnosticar modelos: Diagnosticando y estabilizando el comportamiento de gradiente en redes profundas
Explorarás cómo se comportan los gradientes durante el entrenamiento de redes neuronales profundas. Analizarás gráficos de norma de gradiente, distribuciones de activación y curvas de pérdida para diagnosticar problemas como gradientes vanos y explosivos. A través de videos, discusiones y un laboratorio práctico, aprenderás a interpretar señales de entrenamiento y aplicar correcciones basadas en arquitectura y activación. Al final, podrás identificar inestabilidad en el entrenamiento y recomendar soluciones específicas para estabilizar el rendimiento del modelo.
- Reproducir y evaluar flujos de trabajo de investigación en IA: Realizar experimentos rigurosos: El poder de los estudios de ablación
Explorarás cómo diseñar, realizar e interpretar estudios de ablación que aíslen el impacto real de las decisiones de diseño en modelos de IA. Practicarás la estructuración de experimentos controlados, la evaluación de variaciones de modelo y la interpretación de resultados de forma estadística para distinguir mejoras significativas del ruido. A través de reflexión guiada, lecturas, videos y experimentación práctica, desarrollarás la disciplina de la evaluación de modelos basada en evidencia.
- Reproducir y evaluar flujos de trabajo de investigación en IA: Construir resultados repetibles: Investigación reproducible en práctica
Te centrarás en la reproducibilidad en la investigación de IA, asegurando que los resultados no sean impresionantes solo una vez, sino repetibles por cualquier persona, en cualquier lugar. Diseñarás flujos de trabajo de extremo a extremo que fijen aleatoriedad, gestionen configuraciones, versionen datos y documenten experimentos claramente. En lugar de un laboratorio tradicional, completarás un Proyecto Final, combinando todo de ambas lecciones: ejecutar experimentos controlados e implementar una línea de trabajo reproducible.
