Al finalizar el curso, el participante será capaz de:

• Comprender los conceptos fundamentales del flujo de trabajo en visión por computadora aplicado a datos ecológicos (imágenes y video).

• Implementar técnicas de preprocesamiento y aumento de datos para adaptar conjuntos de datos biológicos (fuera de contexto, desbalanceados, con ruido).

• Aplicar modelos de detección de objetos (YOLO, Faster R-CNN) para localizar y contar individuos en imágenes y video.

• Utilizar modelos de clasificación de imágenes y segmentación semántica para la identificación automática de especies.

• Implementar técnicas de seguimiento de múltiples objetos (MOT) para analizar trayectorias y comportamientos individuales en video.

• Extraer métricas cuantitativas de comportamiento (distancias, interacciones, patrones de movimiento) a partir de los datos procesados.

Sesiones Teóricas: Exposiciones conceptuales sobre algoritmos, arquitecturas y buenas prácticas.

Sesiones Prácticas (Laboratorio):

• Uso de entornos locales con Jupyter Notebooks.

• Implementación de código en Python utilizando librerías como OpenCV, TensorFlow/PyTorch

• Análisis de conjuntos de datos públicos (ej: Snapshot Serengeti, iNaturalist, Arctic Animal Dataset).

• Conocimientos de Programación: Competencia básica en manejo de librerías, estructuras de datos, funciones.

• Conocimientos de Ciencia de Datos: Familiaridad con conceptos de manipulación de datos y experiencia introductoria en aprendizaje automático (ML) es una gran ventaja.

• Conocimiento del sistema de archivos de la computadora
• Descarga e instalación de aplicaciones a través de línea de comandos

Entrega de cuadernos de laboratorio con ejercicios completados (40%).

Presentación final de un proyecto aplicado a un caso de estudio (60%).

Módulo 1: Introducción al Ecosistema de la Visión por Computadora en Ecología

• Panorama histórico y estado del arte.

• Casos de éxito: monitoreo de cámaras trampa, censos aéreos/drones, análisis de video en laboratorio y campo.

• Ética y buenas prácticas: impacto en los animales, sesgo en los datos, uso responsable de la IA.

Módulo 2: Fundamentos de Procesamiento de Imágenes con OpenCV

• Lectura, escritura y transformaciones básicas de imágenes/video.

• Espacios de color, filtros (suavizado, detección de bordes).

• Segmentación tradicional: thresholding, detección de contornos.

• Extracción de características (SIFT, ORB).

Módulo 3: Curso Acelerado de Deep Learning para Visión

• Redes Neuronales Convolucionales (CNN): conceptos fundamentales.

• Entrenamiento, validación y prueba. Transfer learning.

• Frameworks: introducción a TensorFlow/Keras o PyTorch.

Módulo 4: Clasificación y Detección de Especies

• Clasificación de imágenes: entrenamiento de un modelo para identificar especies.

• Detección de objetos: Fundamentos de YOLO y Faster R-CNN.

• Aplicación: Conteo automático de individuos en cámaras trampa.

Módulo 5: Proyecto Integrador y Temas Avanzados

• Diseño de un pipeline completo para un problema específico.

• Trabajo con datos reales: limpieza, anotación (uso de Roboflow, CVAT) y entrenamiento.

• Despliegue de modelos