Machine Learning y Visión Artificial · AP04-26D

Visión artificial

De los fundamentos de Python a los sistemas de visión industriales: OpenCV, PyTorch, TensorFlow, visión por computador y cámaras.

Disponible Intermedio 11 módulos · 132 clases

Formato asíncrono Ingeniería / Industria, Desarrollo, Docentes FP Python, Google Colab, OpenCV, PyTorch, TensorFlow, NumPy, Pandas, Matplotlib, Seaborn

IA INDUSTRIA40 DATOS

Lo que aprenderás

Programar en Python y manejar NumPy, Pandas, Matplotlib y Seaborn.
Procesar imágenes con OpenCV: umbralización, filtrado, bordes, histogramas y canales de color.
Entrenar redes neuronales con PyTorch y con TensorFlow y Keras, incluidas CNN y RNN.
Aplicar técnicas clásicas de visión por computador: Harris, MSER, SIFT, ORB, Hough, Watershed y k-means.
Resolver problemas de segmentación de instancias, semántica y panóptica, colorización y transferencia de estilo.
Elegir cámara, óptica e iluminación y calibrar un sistema de visión artificial.
Valorar los factores ambientales y diseñar un sistema de visión para un caso práctico.

Contenido del curso

11 módulos · 132 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Introducción a la programación 28 clases

Introducción a Python
Introducción a Google Colab
Mi primer programa
Variables y reglas para nombrar variables
Tipos de datos en Python
Cadenas de caracteres y algunos métodos
Recibir datos del usuario
Operadores en Python
Sentencias condicionales
Comentarios en Python
Listas y tuplas
Diccionarios
Ciclos
Funciones
Recursividad
Archivos
Importaciones
Excepciones y errores
Programación orientada a objetos
Interfaces gráficas (GUI)
Caso práctico
Gemini desde Python
Peticiones HTTP
Multiprocesamiento
Multihilo
Test y TDD
Python para web
Bases de datos

Módulo 2 · Librería NumPy 10 clases

Qué es NumPy
Básicos de NumPy
Creación de arrays y tipos
Operaciones matemáticas básicas
Álgebra lineal con NumPy
Estadística
Reorganizar arrays
Cargar ficheros de texto
Máscaras de booleanos e indexación avanzada
Caso práctico con NumPy

Módulo 3 · Librería Pandas 9 clases

Qué es Pandas
DataFrames y métodos básicos
Carga de ficheros
Indexación avanzada
Iterar DataFrames
Añadir y eliminar columnas
Juntar información de varios DataFrames
Limpieza de valores NaN
Caso práctico con Pandas

Módulo 4 · Librería Matplotlib 17 clases

Qué es Matplotlib
Primera gráfica
Múltiples gráficos
Figuras
Subplots
Apariencia
Guardar figuras
Uso de datos de Pandas y NumPy
Uso de TeX
Histogramas
Gráficas de barras
Gráficos de pastel
Series temporales
Tablas
Gráficas de dispersión
Mapas de calor
Caso práctico con Matplotlib

Módulo 5 · Librería Seaborn 11 clases

Qué es Seaborn
Importar datos de Seaborn
Gráficos básicos
Estilos
Gráficos categóricos
Gráficos avanzados
Mapas de calor
Mapas de clúster
Matriz de gráficos
Gráficos de regresión
Caso práctico con Seaborn

Módulo 6 · Librería OpenCV 14 clases

Qué es OpenCV
Funciones básicas
Detectar y dibujar bordes
Dibujar
Cargar información
Umbralización
Transformaciones geométricas
Operadores lógicos
Filtrado
Canales de color
Detección de bordes
Histogramas
Separación de canales de color
Caso práctico con OpenCV

Módulo 7 · Librería PyTorch 6 clases

Tensores
Cálculo de gradientes
MLP
Carga de datos
Entrenamiento
Evaluación del modelo

Módulo 8 · Librería TensorFlow 6 clases

TensorFlow y tensores
MLP con Keras
Preparación de un dataset
Entrenamiento y evaluación de un modelo
CNN
RNN

Módulo 9 · Visión por computador 15 clases

Componentes conectados
Operaciones con histogramas
Ruido y limpieza
Template matching
Harris-Stephens
MSER
SIFT
ORB
Hough y detección de líneas
Hough y detección de círculos
Crecimiento de regiones
División y fusión
Segmentación por Watershed
Clustering k-means
Filtros de Gabor

Módulo 10 · Visión por computador avanzada 7 clases

Segmentación de instancias
Segmentación semántica
Segmentación panóptica
Colorización
Eliminación de ruido
Transferencia de estilo
Unión de imágenes

Módulo 11 · Visión artificial 9 clases

Cámaras de visión artificial
Óptica
Tipos de ópticas
Iluminación
Calibración
Calibración de los parámetros de una cámara
Factores ambientales
Elección de un sistema de visión artificial
Caso práctico

Requisitos

No se necesita experiencia previa: el curso empieza por los fundamentos de Python.
Una cuenta de Google para usar Google Colab.
Conocimientos básicos de matemáticas (matrices y estadística) para los bloques de redes neuronales.

Descripción

Es un recorrido completo por la visión artificial que no da nada por supuesto: empieza por la programación en Python y termina eligiendo la cámara, la óptica y la iluminación de un sistema industrial.

Tras la introducción al lenguaje, el curso trabaja las librerías fundamentales: NumPy, Pandas, Matplotlib y Seaborn para los datos, OpenCV para la imagen y PyTorch y TensorFlow para las redes neuronales. Después entra en la visión por computador clásica (detectores de características, transformada de Hough, segmentación por regiones y Watershed, filtros de Gabor) y en la avanzada (segmentación de instancias, semántica y panóptica, colorización, eliminación de ruido, transferencia de estilo y unión de imágenes).

El último bloque baja a la planta: cámaras de visión artificial, ópticas, iluminación, calibración, factores ambientales y criterios para elegir un sistema, con un caso práctico de cierre. El curso termina con un cuestionario de evaluación.

¿Para quién es este curso?

Ingenieros e ingenieras que van a implantar inspección o control de calidad por visión.
Desarrolladores que quieren entrar en la visión por computador con una base sólida.
Profesorado de FP de automatización, electrónica e informática.

Disponible

Contenido ya grabado y publicado en el campus. Puedes empezar en cuanto te inscribas.

Inscribirme en el campus Solicitar información

Código: AP04-26D
Nivel: Intermedio
Público: Ingeniería / Industria, Desarrollo, Docentes FP
Entorno: Python, Google Colab, OpenCV, PyTorch, TensorFlow, NumPy, Pandas, Matplotlib, Seaborn