Análisis de la técnica Transfer Learning en Machine Learning a través de un caso de estudio : la clasificación de productos en el Banco Alimentario de La Plata
Material type:
Item type | Home library | Collection | Call number | URL | Status | Date due | Barcode | |
---|---|---|---|---|---|---|---|---|
![]() |
Biblioteca de la Facultad de Informática | TES 21/06 (Browse shelf(Opens below)) | Available | DIF-04939 | ||||
![]() |
Biblioteca de la Facultad de Informática | Biblioteca digital | Link to resource | No corresponde | ||||
![]() |
Biblioteca de la Facultad de Informática | Biblioteca digital | Link to resource | No corresponde |
Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2021.
CAPÍTULO 1: INTRODUCCIÓN -- 1.1 Motivación -- 1.2 Objetivo -- 1.3 Resultados Esperados -- 1.4 Estructura de la tesina -- CAPÍTULO 2: TRANSFER LEARNING -- 2.1 Comparación con Machine Learning -- 2.2 Definición formal -- 2.3 Estrategias de transfer learning -- 2.4 Modelos Pre-entrenados -- 2.5 Conclusión -- CAPÍTULO 3: EL BANCO ALIMENTARIO -- 3.1 Sistema Actual: Kolsen -- 3.2 Procesamiento de mercadería -- 3.3 Problemáticas -- 3.4 Solución propuesta -- CAPÍTULO 4: MODELOS DE DETECCIÓN DE OBJETOS -- 4.1 Introducción -- 4.1.1 Conceptos básicos que afectan el entrenamiento de una red neuronal -- 4.2 Red neuroral convolucional -- 4.2.1 Arquitectura básica -- 4.2.1.1 Convolución -- 4.2.1.1.1 Depth-wise Convolution -- 4.2.1.1.2 Depth-wise Separable Convolution -- 4.2.1.2 Agrupación de capas (max pooling) -- 4.2.1.3 Fully connected -- 4.2.1.4 Softmax -- 4.3 Descripción de los modelos usados en esta Tesina -- 4.3.1 Faster Region-based Convolutional Neural Network (Fast R-CNN). -- 4.3.2 Single-Shot Multibox Detection (SSD) -- 4.4 Transfer Learning y las estrategias de uso de modelos pre-entrenados -- 4.4.1 Proceso de Transfer Learning aplicados a los modelos de esta Tesina -- 4.5 Construcción del entorno de prueba -- 4.5.1 Definición del Dataset -- 4.5.1.1 Dataset de Entrenamiento y Dataset de Validación -- 4.5.1.2 Data augmentation -- 4.5.2 Descripción las pruebas: -- 4.5.2.1 Parámetros a evaluar -- 4.5.2.1.1 Loss Function -- 4.5.2.1.2 Accuracy -- 4.6 Resultados obtenidos -- 4.6.1 RCNN -- 4.6.2 SSD MobileNet -- 4.6.3 SSD Inception -- 4.7 Conclusiones -- CAPÍTULO 5: RECONOCIMIENTOS DE PRODUCTOS -- 5.1 Introducción -- 5.2 Configuración del Dataset -- 5.3 Complicaciones -- 5.4 Configuración del Framework -- 5.4.1 El Proceso de Compilación de los Protobuf -- 5.4.2 Convertir de XML a csv -- 5.4.3 TFRecords -- 5.4.4 Los Modelos Pre-entrenados -- 5.4.5 Entrenamiento y validación -- 5.4.6 Modelo de inferencia -- 5.4.7 Checkpoints -- 5.4.8 Exportar el Modelo -- 5.4.9 Ejecución con datos reales 8 -- 5.5 Dificultades Presentadas -- 5.5.1 Problemas al compilar los Protobuff: -- 5.5.2 Memoria insuficiente (Allocation of exceeds 10% of system memory) -- 5.5.3 Errores de sintaxis -- 5.5.4 Inactividad del Tensorboard (Tensorboard no está activo) -- 5.5.5 Problemas para obtener el accuracy -- 5.5.6 Versionar con excesivo tamaño -- CAPITULO 6: Propuesta para el Banco Alimentario -- 6.1 Introducción: -- 6.2 Interfaces de UI -- 6.3 Servicios en la Nube -- 6.4 Dificultades -- 7.1 Desarrollos Futuros -- BIBLIOGRAFÍA