Inicio Rápido
En Descripción General hemos introducido las funciones y características proporcionadas por SSCMA. Considerando que SSCMA se divide en múltiples módulos diferentes, cada módulo completando sus tareas correspondientes, sugerimos seguir los pasos a continuación para comenzar rápidamente.
Sugerimos que todos los principiantes de SSCMA comiencen a aprender desde Primeros Pasos, si estás familiarizado con SSCMA o OpenMMLab, y quieres intentar desplegar en dispositivos de computación en el borde, modificar redes neuronales existentes, o entrenar en conjuntos de datos definidos por el usuario, puedes referirte directamente a Avanzado.
Primeros Pasos
Despliegue de Modelos
Si quieres desplegar el modelo en el dispositivo, por favor consulta la sección Desplegar para aprender cómo desplegar el modelo.
Entrenamiento de Modelos
Si quieres entrenar un modelo, recomendamos encarecidamente que primero intentes entrenar un modelo en la plataforma Colab. Puedes consultar los siguientes tutoriales:
Detección de Objetos
Clasificación de Imágenes
Avanzado
-
Primero, consulta la Guía de Instalación para configurar el entorno de ejecución de SSCMA.
-
Luego, familiarízate con los métodos básicos de uso de SSCMA:
-
Entrenamiento de Modelos, consulta Entrenamiento de Modelos para aprender cómo usar SSCMA para entrenar un modelo. Sugerimos que selecciones un modelo de un ejemplo para el entrenamiento.
-
Exportación de Modelos. Después de completar el entrenamiento del modelo, para desplegarlo en el dispositivo de computación en el borde, es necesario primero exportar el modelo. Para el tutorial de exportación del modelo, consulta Exportación de Modelos.
-
Verificación de Modelos. La verificación de modelos se puede realizar después del entrenamiento o la exportación. La primera verifica la corrección de la red neuronal y los resultados del entrenamiento, mientras que la segunda verifica principalmente la corrección del modelo exportado, facilitando el despliegue y la depuración en dispositivos de computación en el borde más adelante. Se han proporcionado algunos métodos para la validación de modelos en los documentos de los dos pasos anteriores.
-
-
Despliegue de Modelos. Si quieres desplegar el modelo entrenado exportado en dispositivos de computación en el borde, consulta Despliegue
-
Conjuntos de Datos Personalizados. Si quieres entrenar en un conjunto de datos personalizado, consulta Conjuntos de Datos.
-
Modelo Personalizado. Si quieres modificar una red neuronal existente o diseñar tu propia red neuronal, consulta Configuración de Modelos.
Conocimientos Necesarios
📸 Visión por Computadora
Los fundamentos de la visión por computadora se basan en el procesamiento digital de imágenes. Por lo tanto, necesitas aprender primero los fundamentos del procesamiento digital de imágenes. Luego puedes avanzar para leer temas de visión por computadora como reconocimiento de patrones y geometría 3D. Necesitas conocer álgebra lineal para poder entender completamente algunos conceptos de la visión por computadora como la reducción de dimensionalidad. Después de entender los fundamentos de la visión por computadora, también debes construir tu conocimiento en aprendizaje profundo, especialmente en Redes Neuronales Convolucionales (CNN).
💻 Programación
Python será suficiente para diseño y prototipado, pero si quieres hacer algún trabajo embebido, también debes estar familiarizado con C++.
🧰 Herramientas
OpenCV es la herramienta principal para visión por computadora, y Numpy es una herramienta importante para procesamiento y análisis de datos. Debes conocerlas. Nunca se sabe, pero debes saber qué herramientas están disponibles y cómo usarlas. Cómo usarlas. Otra herramienta con la que necesitas familiarizarte es el framework de aprendizaje profundo. Frameworks. Puedes comenzar con Keras que es el más fácil de aprender y luego aprender Tensorflow o PyTorch.