Clasificación de imágenes

Rendimiento en el navegador

Estos modelos utilizan versiones ligeras optimizadas para la web, lo que limita su precisión. Están diseñados exclusivamente para fines experimentales, permitiéndote interactuar con el pipeline básico y analizar los datos de salida.

¿Qué es la Clasificación de Imágenes?

Es una tarea fundamental de Visión por Computadora donde un modelo de Inteligencia Artificial extrae ciertas caracteristicas y le asigna una etiqueta (o clase) con un porcentaje de confianza.

Para lograrlo, el modelo se entrena previamente con millones de imágenes de ejemplo. Al analizar una foto nueva, la red neuronal la procesa a través de múltiples capas: las primeras detectan patrones básicos como bordes y colores, mientras que las más profundas combinan esta información para identificar formas complejas y, finalmente, clasificar el objeto.

Esquema: Arquitectura básica de una CNN.

Arquitecturas disponibles para realizar pruebas

ResNet-50 (2015): Las redes residuales, ampliamente conocidas como ResNets, son un tipo específico de arquitectura de red neuronal artificial (ANN) diseñada para permitir el entrenamiento de redes extremadamente profundas. Para conocer más detalle sobre esta red puedes visitar la página donde se explica con más detalle como funcionan las ResNets.

ViT - Vision Transformer (2020): Un Vision Transformer (ViT) es una arquitectura de aprendizaje profundo que adapta los mecanismos de autoatención diseñados originalmente para procesamiento de lenguaje natural (NLP) para resolver tareas visuales. Para conocer más detalle sobre esta red puede visitar la página donde se explica con más detalle como funcionan los ViT.

ConvNeXT Tiny (2022): ConvNeXt es un tipo de red neuronal que se construye basándose en otro diseño de ViTs, tomando algunas ideas como usar la autoatención y trabajar con parches de imágenes. Para conocer más detalle sobre esta red puede visitar la página donde se explica con más detalle como funcionan los ConvNeXt.

Prueba la clasificación de imágenes

1. Selecciona la Arquitectura de Red:ResNet-50ViTConvNeXT Tiny

2. Imagen de Prueba: