Desarrollo de software Auto Machine Learning para usuarios de conocimiento no experto
En el presente trabajo, se ha desarrollado un prototipo de programa auto machine learning para la ayuda a usuarios no expertos en el ámbito de detección de objetos por visión de computador. Se ha desarrollado la parte de entrenamiento del programa, aportando flexibilidad y ayuda al usuario para que...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unican.es:10902/30239 |
| Acceso en línea: | https://hdl.handle.net/10902/30239 |
| Access Level: | acceso abierto |
| Palabra clave: | Auto Machine Learning AutoML Detección de objetos Object detection |
| Sumario: | En el presente trabajo, se ha desarrollado un prototipo de programa auto machine learning para la ayuda a usuarios no expertos en el ámbito de detección de objetos por visión de computador. Se ha desarrollado la parte de entrenamiento del programa, aportando flexibilidad y ayuda al usuario para que no tenga que escribir ni una sola línea de código. El programa solo requiere del usuario establecer el tiempo de inferencia máximo que desea, además del dataset etiquetado para el entrenamiento. El programa clasifica y filtra en tres grupos los modelos disponibles y los entrena. Ofrece al usuario el mejor de cada grupo y este escoge en función de la precisión y el tiempo de inferencia conseguido. Se ha creado un dataset a partir de imágenes de piezas de plástico para validar el sistema. El dataset original contenía imágenes de 200 piezas pertenecientes a cuatro clases distintas. Aplicando técnicas de data augmentation se ha conseguido un dataset de 1000 imágenes con aproximadamente 7000 objetos en total. También se han utilizado variaciones de este dataset difuminando las imágenes con la técnica de blurring gaussiano para poner a prueba los modelos. Los resultados obtenidos son satisfactorios utilizando un entrenamiento relativamente sencillo y poco exhaustivo. Los usuarios podrían utilizar métodos de detección de objetos sin necesidad de tener conocimientos de programación o de machine learning. |
|---|