Deep Learning con Python y PyTorch - Segmentación Semántica - U-NET desde cero con PyTorch - Parte 2

Código completo: https://github.com/JACantoral/DL_fundamentals/blob/main/Fundamentals_DL_UNET_4_video_v2.ipynb Videos previos U-NET: Datasets y Dataloaders https://youtu.be/dfMEK4bKjRE Paper U-Net https://youtu.be/waIPUsecaaQ Después de haber explicado con dellate el paper de U-NET, y haber implementado los objetos DATASET y DATALOADER de PyTorch para manipular nuestros datos y entrenar nuestro modelo de U-NET, en este video implemento clases para crear nuestro modelo de U-NET desde cero usando PyTorch. Crearemos todas las clases necesarias para tener un modelo modular flexible, y muy elegante. Finalmente, en el próximo video lo que haremos será entrenar el modelo y programar las métricas de validación. Base de datos Carvana https://www.kaggle.com/c/carvana-image-masking-challenge Referencia al paper original: Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation (arXiv:1505.04597). arXiv. https://doi.org/10.48550/arXiv.1505.04597 Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch: En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs). About the video series: In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks.