Ush profe lo admiro muchisimo. Por como puede explicar algo complejo y que se vea sencillo, es re concreto con todo lo que dice y demasiado elocuente, gracias por compartir su conocimiento. Real de los canales en ingles y en español de I.A. Diria que con el tiempo que lo llevo siguiendo usted es de los mejores por como explica las cosas, no termino disociado sin entender en que momento deje de prestar atencion jajaj Es muy inmersivo como enseña Por favor nunca pare de enseñar. En serio muchas gracias
Mil felicitaciones muy bien explicado, tocando todos los temas importantes , de nuevo felicitaciones, por que cuando un tema complejo se explica de esta manera el conocimiento adquirido vale por dos, pues se puede aplicar a ideas propias, que tal ves solo faltaban de iniciativas de este tipo, muchas gracias Miguel, Saludos desde el sur de Colombia.
Buen video! Muchas gracias. Una consulta estoy haciendo un proyecto académico con redes GAN, me han pedido que genere imagenes de melanoma. Si cambio la base podria funcionarme este mismo codigo?
Muchas gracias por enseñar esto!! Tengo una pregunta, de dónde se pueden sacar imágenes para hacer entrenamientos? Para qué estás imágenes tengan todas el mismo tamaño
Hola. Gracias por tus comentarios. En Kaggle se pueden encontrar varios sets de datos (www.kaggle.com/datasets?search=face). Sin embargo se debe hacer un pre-procesamiento adicional para extraer únicamente los rostros de esas imágenes, y luego redimensionar las imágenes para que todas tengan el mismo tamaño. Para detectar los rostros puedes usar la librería Face Recognition de Python (pypi.org/project/face_recognition/) y luego usar imageio para redimensionarlas al tamaño deseado (pypi.org/project/imageio/). Un saludo!
También esta el dataset de MS Celeb que si bien fue oficialmente eliminado aun lo puedes encontrar en github.com/PINTOFSTU/C-MS-Celeb conteniendo 6.464.018 imágenes de 94682 celebridades (no lo he revisado pero imagino que debe estar normalizado y listo para usar). Si te preguntas por que la pagina tiene una tabla comparando con otras versiones es por que Microsoft justamente lo elimino debido a un escándalo por gente que aparecía allí sin haber dado su consentimiento (esta mejor explicado en www.genbeta.com/actualidad/microsoft-elimina-internet-mayores-bases-datos-publicas-caras-pleno-debate-reconocimiento-facial ).
Hola buen video, consulta y cual seria la ventaja de GANs frente a una red neuronal convolucional?, por ejemplo las CNN son mu usadas en la detección de tumores en imagenes radiograficas, usar GANs tendria alguna ventaja en la deteccion?, mayor precisión?, mayor rapidez o son cosas muy distintas?
Hola Víctor. Las GAN y las CNN se usan para aplicaciones diferentes: en particular las GANs permiten generar nuevos datos (en este caso nuevas imágenes), mientras que las CNN se usan para procesar/analizar/clasificar imágenes. Un saludo!
Muy buenos tus videos. Bien explicado, bien ilustrado y con codigo para estudiarlo y ponerlo a prueba. Una pregunta, ¿cuanto tiempo de entrenamiento o iteraciones te llevo generar ese grado de realizacion de las caras?
@@brayanvargas1766 Ya no lo recordaba, así que acabo de hacer la prueba. Usando su código descargado de GitHub me tarda aproximadamente 1 segundo por época, por tanto, entorno a 1 hora y media tardará en hacer las 5000 épocas.
Hola! Una vez creado el modelo puedes usar la función "save" de Keras (keras.io/getting-started/faq/#how-can-i-save-a-keras-model) y luego cargarlo nuevamente con "load" para seguir entrenándolo. Un saludo!
Muchas gracias por compartir tu conocimiento. He estado corriendo el código que compartes, pero tengo una duda ¿Cuantas épocas en promedio se necesitarían para obtener algo parecido a un rostro?
Hola Eder. En este momento no recuerdo exactamente. Cuando hice el video usé una NVIDIA GeForce GTX1050, y fueron unas 30 horas de entrenamiento. Un saludo!
Estoy ejecutando el código, ya van dos horas de entrenamiento y recién se ejecutan 100/5000 Epochs, tengo 16 GB de RAM, por favor su ayuda, es lento el entrenamiento? qué se puede hacer para mejorarlo?
Hola Rubén. ¿Estás realizando el entrenamiento en CPU o en GPU? El entrenamiento toma tiempo pero definitivamente es más rápido usando una GPU. Me comentas
Sí, es posible. De hecho en 2019 se publicó un artículo sobre el tema en donde proponen la arquitectura 3DFaceGAN. Te dejo el enlace: arxiv.org/abs/1905.00307 ¡Un saludo!
Hola Pablo. La verdad nunca he visto ese error, pero revisando en internet encuentro que a veces se produce cuando usas Google Colab + GPU o cuando entrenas el modelo en tu propio computador usando una GPU. ¿Es este el caso?
Hola estoy aprendiendeo practicamente desde 0, ysi haces un video asi pero explicando minuciosamente cada linea es mucho? o por lo menos los bloques, la cosa es que me gustaria poder aprender a modificar secciones de un codigo y ver que sucede.
🔥🔥Academia Online: codificandobits.com 🔥🔥
🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios 🔥🔥
Ush profe lo admiro muchisimo. Por como puede explicar algo complejo y que se vea sencillo, es re concreto con todo lo que dice y demasiado elocuente, gracias por compartir su conocimiento. Real de los canales en ingles y en español de I.A. Diria que con el tiempo que lo llevo siguiendo usted es de los mejores por como explica las cosas, no termino disociado sin entender en que momento deje de prestar atencion jajaj Es muy inmersivo como enseña
Por favor nunca pare de enseñar. En serio muchas gracias
Muchas gracias por tu comentario Alejandro... bueno, esta es mi pasión! Un saludo!
Miguel eres un crack absoluto, en conocimiento, pero más aun por la forma tan sencilla de transmitirlo, Impresionante !
Mil felicitaciones muy bien explicado, tocando todos los temas importantes , de nuevo felicitaciones, por que cuando un tema complejo se explica de esta manera el conocimiento adquirido vale por dos, pues se puede aplicar a ideas propias, que tal ves solo faltaban de iniciativas de este tipo, muchas gracias Miguel, Saludos desde el sur de Colombia.
Wow, gracias por tu comentario David! Un saludo desde Bogotá!
Muy bueno el vídeo, la explicación a la perfección. Solo queda probar y sacar las propias conclusiones.
Gracias por producir contenido tan claro, lo mejor que he visto en esta plataforma.
Gracias por tu comentario Juan. Esto me anima a seguir subiendo este tipo de contenido al canal. Un saludo!
Como siempre muy bien explicado, nuevamente gracias por compartir
Genial, lo utilizaré para generar texto con sintaxis y semántica , con eso terminaré mi asistente jarvis.
Wow, Jarvis? El gran sueño de muchos (incluyéndome)!
Un saludo!
señor, usted tiene un nuevo fan xD ! mis respetos
😀 Gracias por tu comentario y bienvenido al canal!
Gracias por compartir tu conocimiento :)
Buen video! Muchas gracias. Una consulta estoy haciendo un proyecto académico con redes GAN, me han pedido que genere imagenes de melanoma. Si cambio la base podria funcionarme este mismo codigo?
Gracias por compartir conocimientos
A tí por apoyar el canal. Un saludo!
estimado, tienes el .h5 ya generado? tarda mucho en mi maquina, gracias de antemano
buena explicacion
me puedes decir por favor que dataset has usado y donde puedo descargarlo? gracias.
Muchas gracias por enseñar esto!!
Tengo una pregunta, de dónde se pueden sacar imágenes para hacer entrenamientos? Para qué estás imágenes tengan todas el mismo tamaño
Hola. Gracias por tus comentarios.
En Kaggle se pueden encontrar varios sets de datos (www.kaggle.com/datasets?search=face). Sin embargo se debe hacer un pre-procesamiento adicional para extraer únicamente los rostros de esas imágenes, y luego redimensionar las imágenes para que todas tengan el mismo tamaño. Para detectar los rostros puedes usar la librería Face Recognition de Python (pypi.org/project/face_recognition/) y luego usar imageio para redimensionarlas al tamaño deseado (pypi.org/project/imageio/).
Un saludo!
También esta el dataset de MS Celeb que si bien fue oficialmente eliminado aun lo puedes encontrar en github.com/PINTOFSTU/C-MS-Celeb conteniendo 6.464.018 imágenes de 94682 celebridades (no lo he revisado pero imagino que debe estar normalizado y listo para usar).
Si te preguntas por que la pagina tiene una tabla comparando con otras versiones es por que Microsoft justamente lo elimino debido a un escándalo por gente que aparecía allí sin haber dado su consentimiento (esta mejor explicado en www.genbeta.com/actualidad/microsoft-elimina-internet-mayores-bases-datos-publicas-caras-pleno-debate-reconocimiento-facial ).
Unsupervised representatSos el mejor
Hola buen video, consulta y cual seria la ventaja de GANs frente a una red neuronal convolucional?, por ejemplo las CNN son mu usadas en la detección de tumores en imagenes radiograficas, usar GANs tendria alguna ventaja en la deteccion?, mayor precisión?, mayor rapidez o son cosas muy distintas?
Hola Víctor. Las GAN y las CNN se usan para aplicaciones diferentes: en particular las GANs permiten generar nuevos datos (en este caso nuevas imágenes), mientras que las CNN se usan para procesar/analizar/clasificar imágenes. Un saludo!
Muy buenos tus videos. Bien explicado, bien ilustrado y con codigo para estudiarlo y ponerlo a prueba.
Una pregunta, ¿cuanto tiempo de entrenamiento o iteraciones te llevo generar ese grado de realizacion de las caras?
Hola Carlos, gracias por tu comentario. Con una GPU NVIDIA Geforce gtx 1050 como unas 6 horas!!! Un saludo!
@@codificandobits gracias por responder tan rapido!!
Voy a ponerlo a prueba en una rtx2070 super!!
Saludos!!
@@carlosom2472 me puedes decir cuánto tiempo te tomó con la 2070 super, por favor
@@brayanvargas1766 Ya no lo recordaba, así que acabo de hacer la prueba. Usando su código descargado de GitHub me tarda aproximadamente 1 segundo por época, por tanto, entorno a 1 hora y media tardará en hacer las 5000 épocas.
no me funciona bien el codigo, podrías actualizarlo, con las nuevas versiones de tensorflow y keras, felicitaciones!
impresionante!!!!
Muy buen video, una pequeña pregunta de que manera podría restaurar el modelo para entrenarlo posteriormente/?
Hola! Una vez creado el modelo puedes usar la función "save" de Keras (keras.io/getting-started/faq/#how-can-i-save-a-keras-model) y luego cargarlo nuevamente con "load" para seguir entrenándolo.
Un saludo!
Muchas gracias por compartir tu conocimiento. He estado corriendo el código que compartes, pero tengo una duda ¿Cuantas épocas en promedio se necesitarían para obtener algo parecido a un rostro?
Hola Eder. En este momento no recuerdo exactamente. Cuando hice el video usé una NVIDIA GeForce GTX1050, y fueron unas 30 horas de entrenamiento. Un saludo!
@@codificandobits ok muchas gracias por tu pronta respuesta. Saludos
@@ederchavez7074 ;)
Estoy ejecutando el código, ya van dos horas de entrenamiento y recién se ejecutan 100/5000 Epochs, tengo 16 GB de RAM, por favor su ayuda, es lento el entrenamiento? qué se puede hacer para mejorarlo?
Hola Rubén. ¿Estás realizando el entrenamiento en CPU o en GPU? El entrenamiento toma tiempo pero definitivamente es más rápido usando una GPU. Me comentas
tengo una pregunta; ¿se puden crear rostros de personas en 3D con GANs?
Sí, es posible. De hecho en 2019 se publicó un artículo sobre el tema en donde proponen la arquitectura 3DFaceGAN. Te dejo el enlace: arxiv.org/abs/1905.00307
¡Un saludo!
hola, me sale este error, cuando quiero ejecutar el programa de forma local
Function call stack:
keras_scratch_graph
Hola Pablo. La verdad nunca he visto ese error, pero revisando en internet encuentro que a veces se produce cuando usas Google Colab + GPU o cuando entrenas el modelo en tu propio computador usando una GPU. ¿Es este el caso?
Hola estoy aprendiendeo practicamente desde 0, ysi haces un video asi pero explicando minuciosamente cada linea es mucho? o por lo menos los bloques, la cosa es que me gustaria poder aprender a modificar secciones de un codigo y ver que sucede.