Usa tus modelos de Tensorflow en páginas web | Exportación a Tensorflow.js

Ringa Tech

28 Jul 202113:01

Summary

TLDREl script del video ofrece una visión detallada sobre cómo exportar modelos de aprendizaje profundo entrenados en Python y utilizarlos en un navegador web. Se abordan tres modelos de distinto nivel de complejidad: un modelo simple que convierte grados Celsius a Fahrenheit, uno que reconoce números escritos a mano y permite dibujar en el navegador, y un modelo avanzado que utiliza la cámara del celular para clasificar en tiempo real si lo capturado es un perro o un gato. El video también explica el proceso de exportación de modelos desde Python, la instalación de librerías necesarias, la conversión de modelos a un formato compatible con TensorFlow.js, y cómo cargar y utilizar estos modelos en una página web para realizar predicciones. Además, se destaca la importancia de la integración con JavaScript para el manejo de entradas y la visualización de resultados, así como la adaptabilidad de estos modelos para su uso en dispositivos móviles.

Takeaways

📈 Se discute cómo exportar modelos entrenados en Python para utilizarlos en un navegador web y en dispositivos móviles.
🔢 Se explicará la integración de tres modelos de distinta complejidad: una red simple de conversión de temperatura, una red que reconoce números escritos a mano y una red avanzada para clasificar imágenes en tiempo real.
📚 No se profundiza en la arquitectura o los datos de entrenamiento de los modelos, sino en su exportación y uso.
⚙️ Se muestra el proceso de exportación de modelos utilizando la función `save` y su posterior conversión a un formato compatible con TensorFlow.js.
📂 Se menciona la instalación de la librería `tensor_js` para realizar la conversión de modelos y la creación de una carpeta para los archivos resultantes.
💾 Se describe cómo descargar los archivos necesarios para utilizar el modelo en la computadora y cómo integrarlos en una página web.
🌐 Se destaca la importancia de servir la página web a través de un servidor HTTP para evitar problemas de carga asíncrona.
📱 Se demuestra cómo hacer predicciones en tiempo real en el navegador utilizando un deslizador para ingresar los grados Celsius y obtener los grados Fahrenheit.
🎨 Se utiliza un canvas para dibujar números escritos a mano y se explica cómo preparar la entrada para la red neuronal convolucional.
📹 Se explora la creación de una aplicación que utiliza la cámara del móvil para clasificar en tiempo real si una imagen es de un perro o un gato.
🔗 Se ofrece información sobre cómo acceder a la página web desde un dispositivo móvil utilizando un túnel HTTPS y se mencionan las consideraciones para que funcione correctamente.
📝 Se invita a los espectadores a dejar comentarios si desean un análisis más detallado de algún aspecto del proceso o si tienen dudas.

Q & A

¿Qué modelos se van a exportar en el video?
-Se van a exportar tres modelos de distinta complejidad: uno que convierte grados Celsius a Fahrenheit, otro que reconoce números escritos a mano y un tercero avanzado que utiliza la cámara del celular para clasificar en tiempo real si lo que ve es un perro o un gato.
¿Cómo se guarda el modelo entrenado en Python?
-Para guardar el modelo entrenado, se utiliza la función 'save' que guarda todos los pesos y sesgos de la red, el estado del optimizador, etc. en un solo archivo con la extensión 'h5'.
¿Qué librería se necesita para convertir el modelo a un formato compatible con TensorFlow.js?
-Se necesita instalar la librería 'tensor_js' que incluye un conversor para realizar la conversión del modelo guardado en 'h5' a un formato compatible con TensorFlow.js.
¿Cómo se carga el modelo en una página web?
-Para cargar el modelo en una página web, se utiliza TensorFlow.js y se importan los archivos generados por el conversor. Se indica la ubicación del archivo 'json' y se carga el modelo en una variable llamada 'model'.
¿Cómo se puede hacer que la página web cargue el modelo de forma asíncrona?
-Para manejar la carga asíncrona del modelo, se puede abrir el archivo HTML desde un servidor web local, como el que se inicia con el comando 'python -m http.server 8000' en una terminal o línea de comandos.
¿Cómo se realiza la conversión de un número escrito a mano en una entrada que la red de reconocimiento de dígitos pueda entender?
-Se utiliza un canvas para dibujar el número y luego se copia la imagen a otro canvas de 28x28 píxeles que es el tamaño esperado por la red. Se convierte cada píxel en un valor de 0 a 1 y se agregan a un arreglo en forma de matriz 28x28.
¿Cómo se realiza una predicción en tiempo real con el modelo de clasificación de perros y gatos?
-Se utiliza la cámara del celular y se captura una imagen que se copia a un canvas del tamaño esperado por la red. Se crea un tensor de cuatro dimensiones con los datos de la imagen y se realiza la predicción. El resultado se muestra en un campo de resultados.
¿Qué formato de archivo se genera después de convertir el modelo con tensor_js?
-Después de la conversión, se generan varios archivos, incluyendo un archivo '.bin' y un archivo '.json', que son necesarios para utilizar el modelo en TensorFlow.js.
¿Cómo se puede hacer para que la página web sea accesible desde un dispositivo móvil?
-Para acceder a la página web desde un dispositivo móvil, se puede utilizar un servidor local iniciado con Python o configurar un túnel HTTPS usando herramientas como ngrok para exponer el servidor local en una URL accesible desde Internet.
¿Por qué se necesita normalizar los valores de píxeles al crear el tensor para la red de clasificación de perros y gatos?
-Los valores de píxeles se normalizan (por ejemplo, dividiendo entre 255) para convertirlos en un rango de 0 a 1, lo que es un requisito común para los modelos de redes neuronales convolucionales que esperan valores en este rango.
¿Cómo se puede redondear el resultado de la predicción para mejorar la presentación en la página web?
-Después de obtener el resultado de la predicción, se puede redondear el valor usando funciones matemáticas de redondeo para que la salida sea más agradable y tenga menos decimales.
¿Qué se debe tener en cuenta al utilizar la función 'predict' de TensorFlow.js?
-Es importante asegurarse de que el modelo esté completamente cargado y inicializado antes de realizar predicciones, ya que la carga del modelo es un proceso asíncrono que puede requerir tiempo.

Outlines

00:00

😀 Exportación de modelos de Python a JavaScript

Se discute cómo exportar modelos entrenados en Python y utilizarlos en un navegador web para realizar predicciones. Se explicará el proceso de exportación de tres modelos de distinta complejidad y cómo integrarlos en una página web. Incluye la conversión de grados Celsius a Fahrenheit en tiempo real, la identificación de números escritos a mano y la clasificación en tiempo real de imágenes de perros y gatos usando la cámara del móvil. Se menciona la necesidad de convertir el modelo a un formato compatible con TensorFlow.js y se proporciona un enlace para ver el código en vivo.

05:01

📈 Predicciones en tiempo real con modelos de aprendizaje profundo

Se describe el proceso de hacer predicciones en tiempo real en un navegador usando modelos de aprendizaje profundo. Se abordan los pasos para crear un tensor a partir de los grados Celsius, realizar la predicción y manejar la respuesta. Además, se explora cómo entrenar y usar redes neuronales convolucionales para predecir números escritos a mano, y cómo se puede dibujar y predecir el número en un canvas. Se menciona la utilización de la biblioteca Fabric.js y se destaca que el modelo funciona tanto en navegadores de escritorio como en móviles.

10:04

📱 Clasificación en tiempo real con la cámara del móvil

Se presenta un modelo de clasificación en tiempo real de imágenes capturadas por la cámara del móvil para distinguir entre perros y gatos. Se detalla cómo se prepara y se exporta el modelo, y cómo se carga y se utiliza en una página web. Se menciona la necesidad de un servidor para poder acceder a la cámara desde un dispositivo móvil y se sugiere la utilización dengrove para crear un túnel HTTPS. Finalmente, se muestra cómo se realiza la predicción y cómo se puede ajustar y mejorar el modelo según las necesidades.

Mindmap

Keywords

💡Exportar modelos

Exportar modelos se refiere al proceso de guardar y convertir una red neuronal entrenada para su uso posterior en diferentes plataformas. En el video, se discute cómo exportar modelos desde Python para utilizarlos en un navegador web, lo cual es fundamental para hacer predicciones en tiempo real.

💡TensorFlow.js

TensorFlow.js es una biblioteca de JavaScript desarrollada por Google que permite a los desarrolladores utilizar modelos de aprendizaje profundo directamente en el navegador o en Node.js. En el video, se utiliza TensorFlow.js para importar y ejecutar modelos de redes neuronales en una página web.

💡Conversión de modelos

La conversión de modelos es el proceso de transformar un modelo entrenado en un formato que pueda ser utilizado por otra plataforma o biblioteca. En el contexto del video, se menciona la necesidad de convertir un modelo guardado en formato '.h5' a un formato compatible con TensorFlow.js.

💡Redes neuronales convolucionales

Las redes neuronales convolucionales son una arquitectura de redes neuronales especialmente útil para el procesamiento de imágenes. Se utilizan para extraer características de los datos de entrada. En el video, se abordan modelos que utilizan redes convolucionales para clasificar imágenes y reconocer números escritos a mano.

💡Predicciones en tiempo real

Las predicciones en tiempo real implican la capacidad de un modelo de redes neuronales para proporcionar resultados inmediatos a partir de los datos de entrada. El video muestra cómo integrar modelos exportados en una página web para realizar predicciones en vivo, como convertir temperaturas o reconocer imágenes en tiempo real.

💡Código asincrónico

El código asincrónico se refiere a la ejecución de tareas en segundo plano mientras la aplicación principal continúa su funcionamiento. En el video, se destaca la importancia del manejo de código asincrónico al cargar modelos y realizar predicciones, ya que estas tareas pueden requerir tiempo y bloquear la interfaz de usuario si no se gestionan adecuadamente.

💡Tensor

Un tensor es una generalización de las matrices que puede tener varias dimensiones. En el contexto del aprendizaje profundo, los tensores son estructuras de datos que representan los datos de entrada, salida y los pesos de las redes neuronales. En el video, se menciona la creación de tensores para hacer predicciones en modelos de aprendizaje profundo.

💡Código HTML y JavaScript

El código HTML y JavaScript son lenguajes de programación fundamentales para la creación de páginas web interactivas. En el video, se utiliza HTML para estructurar la página y JavaScript para implementar la lógica de carga y predicción de modelos de aprendizaje profundo en el navegador.

💡Cámara del celular

La cámara del celular se utiliza en el video para capturar imágenes en tiempo real que luego son procesadas por un modelo de aprendizaje profundo para clasificar si lo capturado es un perro o un gato. Esto demuestra la integración de la tecnología de aprendizaje profundo con las capacidades de los dispositivos móviles modernos.

💡Clasificación de imágenes

La clasificación de imágenes es el proceso de identificar y categorizar objetos dentro de una imagen. En el video, se muestra cómo un modelo de aprendizaje profundo puede ser entrenado para distinguir entre imágenes de perros y gatos, y luego se utiliza este modelo para realizar predicciones en tiempo real usando la cámara del celular.

💡Integración de modelo en página web

La integración de un modelo en una página web implica la carga y ejecución de un modelo de aprendizaje profundo dentro de un entorno web. El video proporciona un tutorial sobre cómo hacerlo, desde la exportación del modelo hasta su uso en una página web con JavaScript, para que los usuarios finales puedan interactuar con el modelo y obtener predicciones.

Highlights

Exportaremos tres modelos de distinta complejidad para usar en una página web y hacer predicciones en tiempo real.

El primer modelo es una red simple que convierte grados Celsius a Fahrenheit en tiempo real.

El segundo modelo permite dibujar números escritos a mano y realizar predicciones a partir de ello.

El tercer modelo es avanzado, usando la cámara del celular para clasificar en tiempo real si lo que se ve es un perro o un gato.

Se explicará cómo exportar modelos desde Python y cómo importarlos y hacer predicciones en una página web con JavaScript.

Para exportar un modelo entrenado, se guarda con la función 'save', que almacena pesos, sesgos y el estado del optimizador en un archivo .h5.

Se necesita instalar la librería 'tensor_js' para convertir el modelo a un formato compatible con TensorFlow.js.

Los modelos se pueden cargar en una página web y utilizarse para hacer predicciones interactivas.

Se utiliza un deslizador para ingresar los grados Celsius y se muestra la predicción en Fahrenheit de manera visual.

El segundo modelo utiliza redes neuronales convolucionales para predecir números escritos a mano.

Se utiliza una biblioteca JavaScript para interactuar con un canvas y permitir dibujar números.

El tercer modelo es capaz de clasificar imágenes en tiempo real usando la cámara del celular.

Se abordan técnicas para visualizar y utilizar la cámara web en una página web para hacer predicciones.

Se discuten los desafíos y soluciones para hacer que la página web sea accesible desde dispositivos móviles.

Se ofrecen enlaces y recursos para probar los modelos en vivo y acceder al código fuente.

Se destaca la importancia de la conversión de modelos a formatos compatibles con diferentes entornos de ejecución.

Se agradece a la comunidad por el apoyo en la creación de contenido de inteligencia artificial en español.

Se animará a los espectadores a dejar comentarios y preguntas para mejorar y profundizar en los temas tratados.