Visión por computador avanzada y modelos multimodales
Domina detección, segmentación, ViT, CLIP, difusión y despliegue en el borde para construir sistemas de visión de extremo a extremo.
Sobre el curso
Curso avanzado para desarrolladores e ingenieros de ML que ya trabajan con redes convolucionales y PyTorch. Recorrerás las arquitecturas modernas, los Vision Transformers, la detección y segmentación, el aprendizaje autosupervisado, los modelos visión-lenguaje y la generación de imágenes, hasta optimizar y desplegar modelos en el borde. Terminarás con un proyecto completo de inspección o búsqueda visual listo para producción.
Qué aprenderás
- Elegir y ajustar arquitecturas modernas (ResNet, EfficientNet, ConvNeXt y ViT) según precisión, datos disponibles y coste.
- Entrenar y evaluar detectores y modelos de segmentación con métricas estándar como IoU, mAP, mIoU y PQ.
- Aprovechar modelos fundacionales y multimodales como DINOv2 y CLIP para tareas con pocas etiquetas, zero-shot y búsqueda por texto.
- Comprender los modelos de difusión y aplicarlos de forma responsable y conforme al marco legal europeo.
- Optimizar y desplegar modelos de visión con ONNX, cuantización y TensorRT, y construir un sistema de extremo a extremo.
Temario
-
1 Estado del arte y flujo de trabajo en visión por computador
Objetivo: Situar el panorama actual de la visión por computador y dominar el flujo de trabajo completo de un proyecto: datos, anotación, entrenamiento, evaluación y métricas.Del modelo al sistema: dónde está hoy la visiónEn…
La lección completa está en el aula virtual.
-
2 Arquitecturas modernas: de ResNet a EfficientNet y ConvNeXt
Objetivo: Comprender las ideas clave que han hecho evolucionar las CNN, saber elegir la arquitectura adecuada según precisión y coste, y aplicar transferencia de aprendizaje de forma eficaz.ResNet: conexiones residualesEl problema de las redes…
La lección completa está en el aula virtual.
-
3 Vision Transformers (ViT): parches, atención y cuándo usarlos
Objetivo: Entender cómo un Transformer procesa imágenes, implementar sus piezas básicas y decidir con criterio cuándo un ViT es mejor opción que una CNN.De la imagen a una secuencia de parchesUn ViT divide la…
La lección completa está en el aula virtual.
-
4 Detección de objetos: dos etapas, una etapa, YOLO y DETR
Objetivo: Conocer las principales familias de detectores, entender IoU, NMS y mAP, y entrenar o usar un detector moderno sobre datos propios.IoU y supresión de no máximos (NMS)La intersección sobre unión mide el solapamiento…
La lección completa está en el aula virtual.
-
5 Segmentación semántica, de instancias y panóptica
Objetivo: Distinguir los tipos de segmentación, implementar y evaluar modelos como U-Net y Mask R-CNN, y aprovechar modelos promptables tipo Segment Anything.Tres tareas distintasSemántica: asigna una clase a cada píxel, sin distinguir objetos individuales…
La lección completa está en el aula virtual.
-
6 Aprendizaje autosupervisado y modelos fundacionales de visión
Objetivo: Comprender los principales enfoques de aprendizaje autosupervisado y usar modelos fundacionales de visión como extractores de características para tareas con pocas etiquetas.Por qué aprender sin etiquetasEtiquetar es caro; las imágenes sin etiquetar son…
La lección completa está en el aula virtual.
-
7 Modelos multimodales visión-lenguaje: CLIP, zero-shot y búsqueda por texto
Objetivo: Entender cómo CLIP alinea imagen y texto en un espacio común y aplicarlo a clasificación zero-shot y a un buscador de imágenes por texto escalable.Aprendizaje contrastivo imagen-textoCLIP entrena dos codificadores, uno de imagen…
La lección completa está en el aula virtual.
-
8 Modelos generativos de imagen: difusión y usos responsables
Objetivo: Comprender a alto nivel cómo funcionan los modelos de difusión, utilizarlos con bibliotecas estables y aplicar criterios de uso responsable, legal y ético.La idea de la difusiónUn modelo de difusión aprende a invertir…
La lección completa está en el aula virtual.
-
9 Optimización y despliegue en el borde: cuantización, ONNX y TensorRT
Objetivo: Llevar un modelo de visión a producción en dispositivos con recursos limitados, midiendo la latencia correctamente y aplicando exportación, cuantización y compilación sin perder calidad de forma inadvertida.Medir antes de optimizarDefine el presupuesto:…
La lección completa está en el aula virtual.
-
10 Proyecto final: sistema de inspección o búsqueda visual de extremo a extremo
Objetivo: Integrar todo lo aprendido en un sistema completo, evaluado y desplegable, eligiendo entre un sistema de inspección visual o un buscador visual, y documentarlo con criterios profesionales.Elige tu proyectoOpción A, inspección visual: detectar…
La lección completa está en el aula virtual.