@alina_maze:

alina_maze

Open In TikTok:

Region: DE

Saturday 01 August 2026 09:43:26 GMT

961830

177737

175

8550

Music

Download

No Watermark .mp4 (2.03MB) No Watermark(HD) .mp4 (1.56MB) Watermark .mp4 (2.06MB) Music .mp3

Comments

mariam :

period

2026-08-01 14:02:18

206

🌙✨ :

not a cheater, not a liar n not a loser too 🥰

2026-08-13 01:09:09

60

GeeChi :

dear future kids...go to another mother cus u never coming out of me 😉

2026-08-14 03:45:49

2

A.IB :

Same. Its taking longer but papa will find mama soon. ❤️❤️

2026-08-03 03:02:34

105

Maeganinthemaking 🦋 :

Good thing I’m not having kids, but I’m still SUPER strict with men

2026-08-16 23:09:40

0

ᎧᏰᏕᏋᏕᏕᎥᎧᏁ :

dear future kids, it will never happend im a lesbian.🥰

2026-08-17 11:49:07

0

mins :

wow deinen Körper hätte ich gerne😭😍

2026-08-01 10:11:46

15

arsillachrr :

yes kid be patient ok

2026-08-03 11:02:48

5

pretty :

because my kids will have a SUCCESSFUL & LOYAL daddy 🤍

2026-08-08 16:09:41

12

Brianna :

I'm single and looking for male friends to communicate with. 🤣

2026-08-18 08:25:29

2

ahsyaa :

@𝑠𝑎𝑠𝑦𝑎: because my kids will have a SUCCESSFUL & LOYAL daddy!!

2026-08-12 01:11:17

4

dd.esiree0 :

Just wanna make sure you have the best qualities too 😩😩

2026-08-03 12:04:11

23

dipp moga fyp :

arti

2026-08-13 03:29:59

0

Steven :

2026-08-01 19:18:29

8

JESS :

2026-08-01 10:40:28

6

🌺 :

kayanya gua nemu jodoh gua diumur 27an dah

2026-08-18 00:19:19

2

7 :

yapss

2026-08-12 01:25:00

1

To see more videos from user @alina_maze, please go to the Tikwm homepage.

Other Videos

Hope yall are liking this one. Imagine That is out now. #imaginethat #newmusic #weouthere

Hope yall are liking this one. Imagine That is out now. #imaginethat #newmusic #weouthere

Thấy cưng quá trời du học sinh này 🫠 @Gemini Hùng Huỳnh @Tiệm Gấu Chérie #GeminiHungHuynh #DepMa #fyp #HungHuynh #tiemgaudepmachallenge

Thấy cưng quá trời du học sinh này 🫠 @Gemini Hùng Huỳnh @Tiệm Gấu Chérie #GeminiHungHuynh #DepMa #fyp #HungHuynh #tiemgaudepmachallenge

Zookeeper Graves 1vs2 - Doublekill | League of Legends @zookeeper_lol <--His profile🔥🔥🔥#riotgames #challengerlol #leagueoflegends #leagueoflegendsclips #lolhighlights #leaguetok #leaguetiktok #leagueoflegendsclip #foruyou #lolclips #lolplays #lolmontage #lolmoments #foru

Inoava.com_Lace_Asymmetric_Cocktail_Dress@lnoavacom

Inoava.com_Lace_Asymmetric_Cocktail_Dress@lnoavacom

🦺 Detección Automática de EPP en Obras de Construcción con YOLOv8 | Proyecto de Deep Learning En este video presento mi proyecto del parcial de Deep Learning: un sistema de visión por computadora capaz de detectar en tiempo real si los trabajadores en obras de construcción están usando correctamente su Equipo de Protección Personal (EPP), específicamente casco y chaleco reflectivo. 📌 ¿De qué trata el proyecto? La seguridad industrial en obras sigue siendo uno de los mayores retos en Latinoamérica. Cada año, miles de accidentes laborales podrían evitarse con una supervisión más constante del uso de EPP. Este proyecto propone una solución basada en inteligencia artificial que puede integrarse a cámaras de seguridad existentes y alertar automáticamente cuando alguien no cumple con las normas. 🛠️ Stack tecnológico utilizado: YOLOv8 (Ultralytics) — modelo de detección de objetos en tiempo real Python 3.11 + PyTorch como framework base Kaggle Notebooks con GPU Tesla T4 para entrenamiento en la nube Roboflow y datasets públicos para obtener las imágenes Git + GitHub para control de versiones del código Arquitectura híbrida: código local + entrenamiento en la nube 📊 Datos utilizados: Combinamos tres datasets públicos sumando aproximadamente 26.000 imágenes etiquetadas: Hard Hat Workers (Northeastern) Safety Vest PPE Safety Helmet (SHWD) Como cada dataset usaba nombres distintos para las mismas clases, desarrollamos un script de remapeo que unifica todo en una taxonomía de 5 clases: cabeza con casco, cabeza sin casco, persona, chaleco y persona sin chaleco. 🧪 Metodología: Fase 1: descarga, limpieza y unificación de datasets Fase 2: entrenamiento de modelo baseline (YOLOv8s, 80 epochs) Fase 3: experimentación con 4 variantes (aumentos de datos, MixUp, Random Erasing, cierre de mosaico) Fase 4: evaluación y comparación de métricas Fase 5: módulo verificador determinista que cruza detecciones para inferir cumplimiento Fase 6: informe final y entrega 📈 Resultados destacados del baseline: mAP@0.5 = 0.97 en las clases críticas (casco y chaleco) Tiempo de entrenamiento: 7h 19min en GPU Tesla T4 Excelente separabilidad entre clases (casi sin confusión) ⚠️ Limitaciones reconocidas: La clase person quedó subrepresentada (solo el 2% de instancias) porque los datasets de origen están especializados en cascos, no en personas completas. Esto se reporta honestamente como limitación del dataset, no del modelo. 🎯 ¿A quién le sirve este proyecto? Estudiantes de Deep Learning y Visión por Computadora Ingenieros de seguridad industrial Empresas constructoras interesadas en automatizar supervisión Desarrolladores que quieran aprender YOLOv8 con un caso real #python #kaggle #roboflow #computervision

🦺 Detección Automática de EPP en Obras de Construcción con YOLOv8 | Proyecto de Deep Learning En este video presento mi proyecto del parcial de Deep Learning: un sistema de visión por computadora capaz de detectar en tiempo real si los trabajadores en obras de construcción están usando correctamente su Equipo de Protección Personal (EPP), específicamente casco y chaleco reflectivo. 📌 ¿De qué trata el proyecto? La seguridad industrial en obras sigue siendo uno de los mayores retos en Latinoamérica. Cada año, miles de accidentes laborales podrían evitarse con una supervisión más constante del uso de EPP. Este proyecto propone una solución basada en inteligencia artificial que puede integrarse a cámaras de seguridad existentes y alertar automáticamente cuando alguien no cumple con las normas. 🛠️ Stack tecnológico utilizado: YOLOv8 (Ultralytics) — modelo de detección de objetos en tiempo real Python 3.11 + PyTorch como framework base Kaggle Notebooks con GPU Tesla T4 para entrenamiento en la nube Roboflow y datasets públicos para obtener las imágenes Git + GitHub para control de versiones del código Arquitectura híbrida: código local + entrenamiento en la nube 📊 Datos utilizados: Combinamos tres datasets públicos sumando aproximadamente 26.000 imágenes etiquetadas: Hard Hat Workers (Northeastern) Safety Vest PPE Safety Helmet (SHWD) Como cada dataset usaba nombres distintos para las mismas clases, desarrollamos un script de remapeo que unifica todo en una taxonomía de 5 clases: cabeza con casco, cabeza sin casco, persona, chaleco y persona sin chaleco. 🧪 Metodología: Fase 1: descarga, limpieza y unificación de datasets Fase 2: entrenamiento de modelo baseline (YOLOv8s, 80 epochs) Fase 3: experimentación con 4 variantes (aumentos de datos, MixUp, Random Erasing, cierre de mosaico) Fase 4: evaluación y comparación de métricas Fase 5: módulo verificador determinista que cruza detecciones para inferir cumplimiento Fase 6: informe final y entrega 📈 Resultados destacados del baseline: [email protected] = 0.97 en las clases críticas (casco y chaleco) Tiempo de entrenamiento: 7h 19min en GPU Tesla T4 Excelente separabilidad entre clases (casi sin confusión) ⚠️ Limitaciones reconocidas: La clase person quedó subrepresentada (solo el 2% de instancias) porque los datasets de origen están especializados en cascos, no en personas completas. Esto se reporta honestamente como limitación del dataset, no del modelo. 🎯 ¿A quién le sirve este proyecto? Estudiantes de Deep Learning y Visión por Computadora Ingenieros de seguridad industrial Empresas constructoras interesadas en automatizar supervisión Desarrolladores que quieran aprender YOLOv8 con un caso real #python #kaggle #roboflow #computervision

#page #senegalaise_tik_tok

#page #senegalaise_tik_tok

About

Robot
API

Legal

Privacy Policy