Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Desafio: Detecção de Objetos com Modelo Personalizado e YOLO | Detecção de Objetos
Fundamentos de Visão Computacional

bookDesafio: Detecção de Objetos com Modelo Personalizado e YOLO

Nesta tarefa, você irá explorar o universo da detecção de objetos utilizando aprendizado profundo. Primeiro, você irá construir seu próprio modelo de detecção de objetos do zero usando Keras. Em seguida, irá carregar um modelo YOLOv8 pré-treinado e aplicá-lo ao mesmo conjunto de dados.

Durante o processo, você irá:

  • Treinar um detector de objetos simples baseado em Keras;
  • Carregar e executar previsões com um modelo YOLOv8 treinado nos mesmos dados;
  • Avaliar o desempenho em imagens reais de validação;
  • Comparar os resultados e compreender a diferença entre modelos personalizados e modelos de última geração.

No meio do notebook, será solicitado que você reflita sobre por que construir modelos de detecção do zero pode ser limitante — e mencionar brevemente a importância do transfer learning para aplicações práticas.

question-icon

Complete o desafio e cole todas as partes da chave

1.  2.  3.  4.  5.  6.  7.  8.
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 8

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 3.45

bookDesafio: Detecção de Objetos com Modelo Personalizado e YOLO

Deslize para mostrar o menu

Nesta tarefa, você irá explorar o universo da detecção de objetos utilizando aprendizado profundo. Primeiro, você irá construir seu próprio modelo de detecção de objetos do zero usando Keras. Em seguida, irá carregar um modelo YOLOv8 pré-treinado e aplicá-lo ao mesmo conjunto de dados.

Durante o processo, você irá:

  • Treinar um detector de objetos simples baseado em Keras;
  • Carregar e executar previsões com um modelo YOLOv8 treinado nos mesmos dados;
  • Avaliar o desempenho em imagens reais de validação;
  • Comparar os resultados e compreender a diferença entre modelos personalizados e modelos de última geração.

No meio do notebook, será solicitado que você reflita sobre por que construir modelos de detecção do zero pode ser limitante — e mencionar brevemente a importância do transfer learning para aplicações práticas.

question-icon

Complete o desafio e cole todas as partes da chave

1.  2.  3.  4.  5.  6.  7.  8.
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 4. Capítulo 8
some-alt