Hands-on Data Centric Visual AI

Resumen

Este curso integral es una guía práctica para desarrollar y mantener conjuntos de datos de alta calidad para aplicaciones de IA visual. Los alumnos adquirirán conocimientos profundos y habilidades prácticas en:

• Descubrir e implementar varios enfoques de etiquetado, desde métodos manuales hasta totalmente automatizados
• Evaluar y mejorar la calidad de las anotaciones para tareas de detección de objetos, incluyendo la identificación y corrección de problemas comunes de etiquetado
• Analizar el impacto de la calidad de los cuadros delimitadores en el rendimiento del modelo y desarrollar estrategias para mejorar la consistencia de las etiquetas
• Utilizar herramientas avanzadas como FiftyOne y CVAT para la exploración de conjuntos de datos, corrección de errores y refinamiento de anotaciones
• Abordar desafíos complejos en visión por computadora, como detecciones superpuestas, oclusiones y detección de objetos pequeños
• Implementar técnicas de aumento de datos para mejorar la robustez y generalización del modelo
• Aplicar conceptos como la dificultad de muestras y la entropía en el contexto del entrenamiento de modelos y la curación de conjuntos de datos

A través de una combinación de conocimientos teóricos y ejercicios prácticos, los estudiantes aprenderán a crear, mantener y optimizar conjuntos de datos que conduzcan a modelos de IA visual más precisos y fiables.

Universidad:

Universidad de California, Davis

Proveedor:

Coursera

Categorías:

Cursos de Visión por Computadora, Cursos de Detección de Objetos, Cursos de Aumento de Datos

Asignaturas