HERRAMIENTAS PARA LA EJECUCIÓN DE REDES NEURONALES DE ANÁLISIS FACIAL EN DIFERENTES PLATAFORMAS
dc.contributor.author | Gil Parente, Hugo | |
dc.date.accessioned | 2023-07-19T16:00:13Z | |
dc.date.available | 2023-07-19T16:00:13Z | |
dc.date.issued | 2023-07-19 | |
dc.description | Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2022/2023. Directores/as: José Miguel Buenaposada Biencinto | |
dc.description.abstract | El proyecto se ha enfocado en la transformación de modelos de redes neuronales implementados en PyTorch a los formatos ONNX y Tensorflow Lite, con el objetivo de explorar diferentes frameworks y aprovechar sus características específicas. Para ello se han investigado estos frameworks, además de los formatos y especificaciones de ONNX. Se han estudiado las diferentes herramientas y métodos disponibles para convertir modelos entrenados en un framework a formato ONNX y viceversa. Se ha desarrollado el software necesario para la transformación de PyTorch a ONNX, y posteriormente a Tensorflow Lite. Además, se ha creado el software de transformación inversa, de Tensorflow Lite a PyTorch, para realizar comparaciones y evaluar el comportamiento del modelo en ambos formatos. Por último, se ha llevado a cabo la implementación de una pequeña demostración de un sistema de alineamiento facial que permite la detección de puntos ocultos en el rostro, además de colocar una textura sobre la cara de la persona delante de la cámara. | |
dc.identifier.uri | https://hdl.handle.net/10115/23218 | |
dc.language.iso | spa | |
dc.publisher | Universidad Rey Juan Carlos | |
dc.rights | ||
dc.rights.accessRights | info:eu-repo/semantics/embargoedAccess | |
dc.rights.uri | ||
dc.subject | Redes neuronales | |
dc.subject | PyTorch | |
dc.subject | ONNX | |
dc.subject | TensorFlow | |
dc.subject | Análisis facial | |
dc.title | HERRAMIENTAS PARA LA EJECUCIÓN DE REDES NEURONALES DE ANÁLISIS FACIAL EN DIFERENTES PLATAFORMAS | |
dc.type | info:eu-repo/semantics/studentThesis |
Archivos
Bloque original
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- 2022-23-ETSII-A-2059-2059037-h.gilp-MEMORIA.pdf
- Tamaño:
- 3.46 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Memoria del TFG