actualizacion vlog

docs/_posts/2024-02-28-week4.md

@@ -1,5 +1,5 @@
 ---
-title: Week 3 - Modelo Nvidia -PilotNet
+title: Week 4 - Modelo Nvidia -PilotNet
 categories:
     - weekly Log
 tags:
@@ -10,33 +10,46 @@ tags:
     - Dataset
 ---
 
-Arquitectura de la red convolucional (CNN) nvidia - PilotNet
+
+Entrenamiento de la Red PilotNet
+
+La red neuronal PilotNet fue entrenada mediante la biblioteca TensorFlow 2.0 utilizando un conjunto de datos compuesto por 9000 imágenes recopiladas del simulador CARLA. Cada imagen fue etiquetada con su respectivo ángulo de giro. Para prevenir problemas de sobreajuste, se implementó un balanceo de datos eliminando ángulos cercanos a cero.
 
 <figure class="half">
   <img src="{{ site.url }}{{ site.baseurl }}/assets/images/week4/cnn-architecture-624x890.png" alt="" style="width:70%">
-  <figcaption>cnn-architecture</figcaption>
+  <figcaption>Arquitectura CNN - PilotNet</figcaption>
 </figure>
 
-### Entrenamiento de la Red PilotNet 
 
-La red neuronal PilotNet se entrenó utilizando la biblioteca TensorFlow 2.0 con un conjunto de datos de 9000 imágenes recopiladas del simulador CARLA. Cada imagen se etiquetó con el correspondiente ángulo de giro. Se aplicó un balanceo de datos para eliminar ángulos de giro cercanos a cero, para evitar problemas de generalización del modelo. 
+Como parte del preprocesamiento, las imágenes fueron recortadas a una dimensión de 200x66x3, enfocándose en la región de interés para permitir que el modelo se concentre en información esencial de manera más efectiva.
 
-Las imágenes se sometieron a un proceso de preprocesamiento que incluyó un recorte a una dimensión de 200x66x3, focalizándose en la región de interés. Este enfoque permite que el modelo trabaje de manera más efectiva en la información esencial. 
+El entrenamiento se llevó a cabo con una tasa de aprendizaje de 0.0001 durante 70 épocas, dividiendo los datos en un 70% para entrenamiento y un 30% para validación.
 
-Para el entrenamiento, se empleó una tasa de aprendizaje de 0.0001 y se realizaron 70 épocas de entrenamiento.  
+<figure class="half">
+  <img src="{{ site.url }}{{ site.baseurl }}/assets/images/week4/Screenshot from 2024-02-28 17-43-36.png" alt="" style="width:70%">
+  <figcaption>Resumen del modelo PilotNet</figcaption>
+</figure>
 
-En experimentos se entrenó el modelo con los daros en crudo mostrando siempre una tendencia a que la red presentara un overfiting. Se utilizó la biblioteca Albumentations para aumentar el conjunto de datos, generando un total de 64,000 imágenes adicionales mediante técnicas como HorizontalFlip() y ColorJitter(). Con esto se logró que el modelo convergiera mejor. 
 
-La métrica de evaluación utilizada fue el error cuadrático medio (MSE), que permitió cuantificar la discrepancia entre las etiquetas reales y las predicciones del modelo. 
+Para mejorar la capacidad de generalización del modelo y evitar sobreajuste, se empleó la biblioteca Albumentations, generando 64,000 imágenes adicionales mediante técnicas como HorizontalFlip() y ColorJitter().
 
-En la fase de análisis, se compararon detalladamente las etiquetas reales con las predicciones generadas por la red, proporcionando información clave sobre el rendimiento y la capacidad de generalización del modelo. 
+La métrica de evaluación utilizada incluyó el error cuadrático medio (MSE) y el error absoluto medio (MAE), que cuantificaron la discrepancia entre las etiquetas reales y las predicciones del modelo.
 
-Este enfoque integral de entrenamiento y evaluación garantizó que la red PilotNet estuviera preparada para realizar predicciones precisas en el entorno de conducción simulado. 
+<figure class="half">
+  <img src="{{ site.url }}{{ site.baseurl }}/assets/images/week4/plot_mse.png" alt="" style="width:70%">
+  <figcaption>Gráficos MSE y MAE</figcaption>
+</figure>
 
 
+Durante el análisis, se compararon detalladamente las etiquetas reales con las predicciones, revelando un rendimiento general sólido con pequeños errores en la mayoría de las predicciones. Sin embargo, en una imagen específica, se observó un error más significativo, indicando la incapacidad del modelo para tomar decisiones acertadas en situaciones donde la referencia del carril no estaba clara, como la falta de líneas separadoras o andenes. Como estrategia para mejorar el desempeño del piloto, se optó por incorporar más grados de libertad al modelo y mejorar los filtros utilizados en el aumento de datos.
 
 <figure class="half">
-  <img src="{{ site.url }}{{ site.baseurl }}/assets/images/week4/training_validation_loss.png" alt="" style="width:70%">
-  <figcaption>train_validation_loss</figcaption>
+  <img src="{{ site.url }}{{ site.baseurl }}/assets/images/week4/prediccion.png" alt="" style="width:70%">
+  <figcaption>Resumen del modelo PilotNet</figcaption>
 </figure>
 
+
+<figure class="half">
+  <img src="{{ site.url }}{{ site.baseurl }}/assets/images/week4/pilotnet_steering.png" alt="" style="width:70%">
+  <figcaption>Steering</figcaption>
+</figure>