GSI Soluciones Informáticas | Software & Infraestructura Tecnológica

El objetivo de esta clase es que entiendas el ecosistema y dejes tu dataset 100% listo para entrenar.

Introducción y el "Hola Mundo" de la IA: Qué es la visión artificial y el chiste clásico de programación (import antigravity) enfocado en la simplicidad de Python.
La Filosofía "Antigravity": Cómo ahorrar semanas de desarrollo usando código preexistente y herramientas modernas en lugar de programar algoritmos desde cero.
Estructura de un Dataset para Computer Vision: Comprender las carpetas de imágenes y etiquetas (images y labels), y la división esencial en conjuntos de entrenamiento, validación y prueba (Train, Val, Test).
Introducción a YOLOv11: Por qué es el estado del arte en velocidad y precisión para detección de objetos.
Estrategia de recolección de imágenes: Cómo capturar un dataset equilibrado (ángulos, iluminación, fondos) para evitar sesgos.
Ecosistema Roboflow: Creación de cuenta, configuración del espacio de trabajo y carga de imágenes crudas.
Técnicas de Etiquetado Eficiente (Bounding Boxes): Buenas prácticas para encerrar objetos correctamente sin clonar errores.
Aumento de Datos (Data Augmentation) y Exportación: Cómo multiplicar tu dataset artificialmente y descargar el archivo .zip en formato YOLOv11.

El objetivo de esta clase es cargar el dataset manualmente, entrenar el modelo en Google Colab y ver los resultados en vivo con una cámara.

Introducción a Google Colab: Configuración del entorno de ejecución con GPU gratuita (T4) para acelerar el proceso.
Preparación del Entorno en Python: Instalación de la librería de Ultralytics y dependencias necesarias.
Importación del Dataset a Colab: Cómo subir el archivo .zip exportado desde Roboflow y descomprimirlo en el entorno de la nube.
Configuración del Entrenamiento (train): Explicación de parámetros críticos (epochs, batch size, tamaño de imagen) y ajuste del archivo data.yaml.
Descarga de Pesos (best.pt): Localización y exportación del archivo de pesos entrenados tras finalizar el proceso.
Programación "Antigravity" del Script Local: Uso de pocas líneas de Python y OpenCV para cargar el modelo personalizado de manera ultra veloz.
Configuración de Captura de Video (Webcam): Código base para conectar el modelo a una cámara web estándar.
Configuración de Cámaras IP: Uso del protocolo RTSP para conectar flujos de video de cámaras de seguridad industriales al script de Python para inferencia en tiempo real.

El objetivo de esta clase es transformar el conocimiento técnico en una solución comercial atractiva para industrias clave.

Soluciones para Almacenes y Logística: Conteo automático de inventario, detección de espacios vacíos en racks y tracking de montacargas.
Aplicaciones en el Sector Minero: Monitoreo de seguridad (detección de fatiga, alertas perimetrales) y control del uso de Equipos de Protección Personal (EPP).
Identificación del Cliente Ideal (B2B): Cómo mapear empresas locales de estos sectores que tengan cuellos de botella operativos o riesgos de seguridad.
El "Pitch" de Venta Ganador: Cómo hablar de "retorno de inversión (ROI)", "reducción de accidentes" y "ahorro de costos masivos" en lugar de tecnicismos de IA.
Estrategia de la Demo de Impacto: Cómo preparar una laptop con un modelo pre-entrenado básico y la webcam para sorprender al cliente en la primera reunión presencial.
Manejo de Objeciones Comunes: Costos de la infraestructura de hardware local, privacidad/seguridad de datos de la empresa y el margen de error aceptable.
Cierre de Contrato y Escalabilidad: Estructuración del acuerdo (implementación + mantenimiento) y cómo usar el primer caso de éxito para abrir puertas en más empresas.

Curso: Visión Artificial