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.
In this work, a prototype of an auto machine learning program has been developed to help non-expert users in the use of object detection methods by computer vision. The training part of the program has been developed, providing flexibility and help to the user so that he does not have to write a single line of code. The program only requires the user to set the maximum inference time desired, in addition to the labeled dataset for training. The program sorts and filters the available models into three groups and trains them. It offers the user the best one from each group and the user chooses based on the accuracy and inference time achieved. A dataset was created from images of plastic parts to validate the system. The original dataset contained images of 200 parts belonging to four different classes. By applying “data augmentation” techniques, a dataset of 1000 images with approximately 7000 objects in total has been obtained. Variations of this dataset have also been used by blurring the images with the gaussian blurring technique to test the models. The results obtained are satisfactory using a relatively simple and not very exhaustive training. Users will be able to use object detection methods without programming or machine learning knowledge.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 International
