Pokedex
Este proyecto surge para la materia de Redes Neuronales en la Universidad de Sonora.
El cual es un problema de detección de objetos y se puede aplicar para identificar cualquier cosa ya sea una persona,animal y en nuestro caso en particular será la detección de Pokemones donde identificaremos en una imagen de la caricatura la cara del pokemon con su nombre y para ello utilizaremos algunas herramientas como lo son:
- API de Detección de Objetos de Tensorflow
- Google Cloud para el entrenamiento.
Tomando como referencia el proyecto de github el cual lo puedes conseguir aqui es muy importante, así que deberas descargarlo o clonarlo para tenerlo a la mano ya que es complementario a este proyecto ya que se requiere para el funcionamiento de este.
Una vez descargado podras probar este proyecto e inclusive te dejamos los pasos para que realices cualquier otro proyecto que desees incluso para que agregues más pokemones a tu identificador si así lo quieres.
Objetivos
El objetivo principal, como ya lo habiamos mencionado previamente es: *De una imagen cualquiera ya sea indvidual, es decir donde aparzca un solo pokemon o una imagen grupal donde aparzcan varios poder identificar los pokemones que aparecen en dicha imagen en mi caso solo identificare a 4 pokemones los cuales son: “Pikachu, Bulbasaur, Charmander y Squirtle”.
¿Cómo funciona?
Funciona con una Red Neuronal Convolucional basada en Region (R-CNN), pero entonces ¿Qué es una R-CNN?.
Combina elementos de las tareas de de detección de objetos utilizando visión por computadora clásica, donde el objetivo es clasificar objetos individuales y localizar cada uno usando un cuadro delimitador, y segmentación semántica, donde el objetivo es clasificar cada píxel en conjunto fijo de categorías sin diferenciar instancias de objeto. Sin embargo, mostramos que un sistema sorprendentemente simple, flexible y rápido puede superar los resultados de segmentación de instancias anteriores.
El enfoque basado en la región CNN (R-CNN) para la detección de objeto de cuadro delimitador es atender a un número manejable de regiones de objeto candidatos y evaluar redes convolucionales independientemente en cada región de interes (RoI).
R-CNN se amplió para permitir la asistencia a RoI en mapas de características usando RoIPool, lo que permite una velocidad más rápida y una mayor precisión.A esta ampliacion se le conoce como Faster R-CNN es flexible y robusto para muchas mejoras de seguimiento, y es el marco líder actual en varios puntos de referencia.
Para mayor informacion puedes consultar este artículo muy bien explicado.
Además para acelerar nuestro aprendizaje utilizamos Objetos Comunes en Contexto, mas comunmente conocido como COCO para poder transferir el aprendizaje de un modelo ya definido y entrenado a nuestro modelo, este modelo puede ser: personas, animales, objetos, etc.Tienen un amplio dataset ya definido.
Recomendación
Este proyecto en principio se puede desarrollar en cualquier sistema operativo llamese Windows,Os o Linux por experiencia propia te recomiendo que uses Linux y si no lo tienes te recomiendo que lo instales ya sea aciendo una particion en tu sistema operativo si es Windows. Ya que es mas fácil de instalar y ejectuar todos los comandos necesarios presentados en esta página y por lo general para estos tipos de proyctos.
Resultados
Estos son algunos resultados que fueron obtenidos al final del entrenamiento:
Un solo pokemon
Dos pokemones juntos
Los 4 pokemones elegidos
