Anàlisi d'imatges: què és i com utilitzar-la
L'anàlisi d'imatges és una eina potent per extreure informació de les imatges.
Això es pot utilitzar per a diversos propòsits, des del seguiment dels canvis en l'entorn fins al reconeixement facial i l'anàlisi d'imatges mèdiques.
En aquest article, us donarem una breu introducció a l'anàlisi d'imatges i com podeu utilitzar-la. Cobrirem la definició de l'anàlisi d'imatges, les diferents tècniques i eines disponibles i les possibles aplicacions de l'anàlisi d'imatges.
En aquest post tractarem:
Definició d'anàlisi d'imatge
L'anàlisi d'imatges és una eina que s'utilitza per obtenir informació digital imatges. S'utilitza habitualment en diversos camps com la medicina, la investigació científica, la vigilància, el processament d'imatges i molts altres.
Bàsicament, és un procés de recollida de dades d'una imatge i anàlisi de les dades per obtenir informació sobre el contingut de la imatge. L'anàlisi d'imatges ajuda a proporcionar informació sobre la qualitat o les característiques d'una imatge, com ara la seva mida, forma, intensitat/luminositat, color composició o la seva planta.
Hi ha diverses tècniques utilitzades en l'anàlisi d'imatges com les tècniques de transformació espacial com l'extracció de subimatges i el processament de blocs; tècniques d'extracció de característiques que troben punts o regions d'interès mitjançant detectors de vores o algorismes de traçat de vores; tècniques de classificació que classifiquen els objectes en categories; tècniques de segmentació que analitza objectes del fons; i algorismes de reconeixement de patrons que reconeixen objectes mitjançant mètodes estadístics.
Mitjançant l'ús d'eines d'anàlisi d'imatges per a aplicacions com la detecció d'objectes i el reconeixement facial, es pot millorar l'experiència de l'usuari quan s'utilitzen mitjans digitals. També és possible utilitzar l'anàlisi per a la investigació científica per tal d'avaluar les correlacions entre els límits definits dins d'una sola o grup d'imatges. Finalment, aquesta tecnologia també és utilitzada de manera significativa pels professionals mèdics de totes les especialitats, com ara radiologia i patologia, per diagnosticar diverses condicions a partir d'imatges escanejades preses dels pacients.
Tipus d'anàlisi d'imatges
L'anàlisi d'imatges és l'extracció d'informació significativa d'imatges digitals. És un terme molt ampli que cobreix molts tipus diferents de tasques relacionades amb la imatge, com ara el reconeixement i la identificació d'objectes, el mesurament de formes, el reconeixement de patrons, l'anàlisi i la classificació d'escenes.
Hi ha molts tipus de tècniques d'anàlisi d'imatges; alguns dels més comuns inclouen:
-PixelAnàlisi espacial/basada: aquest tipus d'anàlisi implica comptar manualment píxels individuals o grups de píxels per mesurar àrees (mida, forma) i densitats (distribució).
-Anàlisi estadística: aquest enfocament utilitza mètodes estadístics per avaluar les característiques associades a les regions d'una imatge com el contrast o la brillantor.
-Aprenentatge automàtic/Intel·ligència artificial: els algorismes d'intel·ligència artificial (IA) permeten tasques de processament automatitzat d'imatges potents com ara la detecció d'objectes o la segmentació semàntica mitjançant xarxes neuronals convolucionals (CNN).
-Anàlisi de textures: aquesta tècnica mesura com es distribueixen els elements d'una imatge entre si en termes de textura: la variació dels nivells de gris o colors en una àrea gran.
-Anàlisi d'histogrames: l'anàlisi d'histogrames normalment implica mesurar distribucions estadístiques dins d'una imatge com el contrast, la brillantor, la tonalitat i la saturació.
-Tècniques de filtrat - Les tècniques de filtrat impliquen operacions matemàtiques sobre una matriu d'intensitat processada sencera que modifiquen certes parts de la matriu alhora que en conserven d'altres. Els filtres s'utilitzen sovint per millorar les vores o eliminar el soroll d'una imatge suavitzant aquestes àrees no desitjades.
-Tècniques de transformació de Fourier: aquest mètode utilitza transformacions de Fourier que descomponen les imatges en diversos components basats en els rangs de freqüència i/o orientacions presents al fotograma d'entrada. Això permet aïllar peces i objectes que poden tenir característiques particulars en relació amb l'aspecte general d'altres components del marc, com ara diferències de textura o forma, facilitant la detecció d'objectes durant els processos de segmentació.
Beneficis de l'anàlisi d'imatges
L'anàlisi d'imatges és una eina inestimable per obtenir informació a partir d'imatges digitals. S'utilitza per reconèixer patrons, identificar objectes i extreure informació significativa dels mitjans. Des de la investigació mèdica fins al reconeixement facial, l'anàlisi d'imatges pot beneficiar una àmplia gamma d'indústries. Aquí explorarem els avantatges de l'anàlisi d'imatges i com es pot utilitzar per millorar diversos camps.
Millora de l’experiència del client
L'anàlisi d'imatges pot ajudar a millorar les experiències dels clients, permetent a les empreses entendre les preferències dels clients de manera ràpida i precisa. Mitjançant la implementació de tècniques d'anàlisi d'imatges, les empreses poden utilitzar dades d'imatges com ara dades demogràfiques, ubicacions i respostes emocionals per orientar millor la seva publicitat o personalitzar el contingut per als clients. L'ús d'aquestes dades pot augmentar el compromís amb els clients i augmentar les vendes de l'empresa.
L'anàlisi d'imatges també ajuda les empreses a entendre millor el context de les seves imatges. Per exemple, la tecnologia de reconeixement de colors permet a les empreses identificar els colors en una imatge i determinar com estan associats amb productes o serveis. Aquesta informació pot ajudar les empreses a entendre el comportament dels clients en relació a un servei o producte concret. A més, les empreses poden utilitzar la tecnologia de reconeixement d'objectes per identificar objectes en una imatge i entendre millor les preferències dels clients en funció dels objectes que prefereixen.
Finalment, l'anàlisi d'imatges permet a les empreses recopilar dades més ràpidament, mantenint la precisió en el procés. Les empreses ja no necessiten revisar manualment centenars d'imatges quan intenten determinar les preferències dels clients; més aviat són capaços d'automatitzar aquest procés mitjançant tècniques d'anàlisi d'imatges que milloren significativament l'eficiència i alhora obtenen resultats precisos de l'anàlisi d'imatges. Això significa que els clients accedeixen a la publicitat personalitzada més ràpidament que mai, cosa que permet a les empreses oferir una millor experiència d'usuari global als seus clients.
Augment de la precisió i l'eficiència
L'anàlisi d'imatges ofereix nombrosos avantatges per a les empreses, com ara una major precisió i eficiència. En analitzar imatges en lloc de basar-se en mètodes manuals o basats en text, l'anàlisi d'imatges pot reduir significativament els errors d'entrada de dades i accelerar el temps de processament d'una tasca determinada.
L'anàlisi d'imatges també elimina la necessitat de tamisar grans quantitats d'informació manualment. En canvi, un algorisme pot trobar ràpidament dades rellevants i identificar patrons que els humans poden interpretar fàcilment. Això accelera el procés de presa de decisions i minimitza els possibles errors costosos deguts a errors humans o supervisió.
A més, l'anàlisi d'imatges facilita la identificació de patrons ràpidament en conjunts de dades increïblement grans que trigarien milers d'hores humanes a examinar-los manualment. Això redueix dràsticament els costos laborals alhora que augmenta la precisió i l'eficiència simultàniament. L'anàlisi d'imatges també permet a les organitzacions quantificar les tendències que d'altra manera podrien haver perdut amb els mètodes tradicionals, ajudant-les a prendre millors decisions més ràpidament que mai.
Mitjançant l'ús de la tecnologia d'anàlisi d'imatges, les empreses poden minimitzar els errors d'entrada de dades i reduir els costos laborals alhora que augmenten la precisió i l'eficiència en les seves operacions. Això condueix a una millor capacitat de presa de decisions i resultats més precisos que es deriven de conjunts de dades molt més grans que els que es podrien aconseguir només amb els mètodes tradicionals.
Millora de la presa de decisions
L'ús de l'anàlisi d'imatges a les empreses per ajudar en la presa de decisions pot millorar l'eficiència i ajudar les organitzacions a gestionar millor els seus recursos. A través de les diferents tècniques i tecnologies implicades, una organització té la capacitat de processar i analitzar ràpidament imatges de diferents fonts. Això els ajuda a prendre decisions encertades gairebé a l'instant.
L'anàlisi d'imatges pot ajudar les organitzacions a ordenar, identificar i avaluar les dades per tal de prioritzar les tasques o els objectius estratègics. També permet una anàlisi ràpida de patrons complicats dins de les imatges, la qual cosa estalvia un temps valuós en tasques de presa de decisions de nivell superior. A més, l'anàlisi d'imatges pot ajudar les empreses a descobrir tendències o problemes recurrents que d'altra manera podrien haver passat desapercebuts.
Les organitzacions aprofiten cada cop més el poder de les tecnologies d'anàlisi d'imatges com ara la intel·ligència artificial (IA) i les aplicacions d'aprenentatge automàtic (ML) per crear models predictius que els donin una visió del que passarà en termes de comportaments dels clients i condicions del mercat en el futur. En aquest moment, els equips d'anàlisi de mercat escanegen constantment les imatges que han recopilat de fonts com ara llocs web de la competència i canals digitals. Amb les eines adequades, aquests equips poden determinar ràpidament com interactuen els clients amb els productes o serveis d'una organització per tal d'aconseguir informació útil que proporcioni un avantatge competitiu sobre els altres del sector.
L'anàlisi d'imatges juga un paper integral en les operacions empresarials d'avui en proporcionar a les organitzacions accés a valuoses dades basades en dades que estimulen el creixement i el progrés més ràpidament que mai.
Com utilitzar l'anàlisi d'imatges
L'anàlisi d'imatges és una manera eficient de processar grans quantitats de dades d'imatge i extreure'n informació útil. L'anàlisi d'imatges implica l'ús d'algoritmes informàtics per determinar el significat d'una imatge. Es pot utilitzar per a una varietat de tasques com ara el reconeixement d'objectes, el reconeixement facial i la segmentació d'imatges. En aquesta secció, parlarem de com es pot utilitzar l'anàlisi d'imatges i algunes de les seves aplicacions.
Comenceu amb els vostres propis guionistes en stop motion
Subscriu-te al nostre butlletí i aconsegueix la teva descàrrega gratuïta amb tres guionistes. Comença a donar vida a les teves històries!
Només utilitzarem la vostra adreça de correu electrònic per al nostre butlletí de notícies i la respectarem intimitat
Segmentació d'imatges
La segmentació d'imatges és una branca del processament d'imatges en la qual una imatge es divideix en múltiples segments o regions, que en conjunt comprenen tota la imatge. Cada segment representa una àrea d'interès dins de la imatge i es pot considerar com un objecte discret per si sol. L'objectiu de la segmentació és simplificar i/o canviar la representació d'una imatge en una cosa més significativa i més fàcil d'analitzar. Les tècniques de segmentació s'utilitzen en imatges mèdiques per a una varietat de tasques, que van des d'identificar estructures anatòmiques fins al seguiment de la progressió de la malaltia. A més, els algorismes de segmentació són components clau en els sistemes de vigilància automatitzats i es poden utilitzar per a tasques de navegació robòtica i detecció d'objectes.
Els algorismes de segmentació generalment es basen en mètodes basats en píxels o en mètodes basats en classificació. Els mètodes basats en píxels utilitzen indicacions com ara el color o la textura per dividir una imatge en segments separats. Alternativament, els mètodes basats en la classificació combinen categories basades en característiques descriptives com la forma o la textura per tal d'agrupar automàticament els píxels en segments/objectes adequats.
La segmentació basada en píxels normalment té com a objectiu separar els objectes segons els seus valors d'intensitat o contrast mitjançant el càlcul d'estadístiques globals (per exemple, el valor mitjà) sobre una regió sencera. Els enfocaments basats en la classificació sovint requereixen entrada i etiquetatge manuals abans que l'algorisme pugui començar a funcionar; tanmateix, aquests mètodes són molt potents quan es tracten grans conjunts de dades o tipus de dades desconeguts que no es poden separar amb èxit només utilitzant valors de píxels.
Classificació de la imatge
La classificació d'imatges és el procés d'utilitzar algorismes informàtics per predir i etiquetar classes en una imatge determinada. En aquest procés, és habitual tenir una "col·lecció" d'imatges d'entrenament etiquetades que serveixen d'entrada a un algorisme d'aprenentatge. A partir d'aquestes imatges d'entrenament, característiques com ara la mida, la forma i el color s'extreuen de la imatge i s'utilitzen per a la classificació d'imatges. Aquesta tècnica permet obtenir resultats més precisos en comparació amb l'etiquetatge manual, on els humans poden cometre errors a causa de classificacions incorrectes o errors d'etiquetatge.
Donada una imatge desconeguda, es pot aplicar un classificador existent que després assigna a aquesta entrada específica una categoria de sortida segons el nombre predefinit de classes diferents. Alguns exemples d'ús d'això van des dels sistemes de conducció autònoms de cotxes que li donen capacitats de reconeixement d'objectes fins a la detecció facial en aplicacions biometriques. A més, tenir dades etiquetades precises mitjançant la classificació d'imatges pot oferir una visió significativament més gran del nostre entorn aprofitant grans conjunts de dades governamentals per a una anàlisi posterior, especialment en les correlacions entre els tipus d'objectes i les aplicacions empresarials, com ara l'anàlisi minorista o l'anàlisi d'entreteniment.
Des de la implementació de xarxes neuronals amb tècniques d'optimització de GPU per obtenir un processament paral·lel fins a diverses formes d'aprenentatge automàtic, hi ha innombrables maneres d'entrenar models d'IA o emprar tècniques d'aprenentatge profund en el camp de la classificació d'imatges; tot i que l'aprenentatge no supervisat encara té alguns obstacles que impedeixen als investigadors utilitzar-los plenament al màxim potencial, aquests mètodes encara s'estan explorant i investigant activament. Per tant, entendre com implementar-los requereix un coneixement exhaustiu dels algorismes de visió per ordinador, així com un fort coneixement tècnic que inclogui pràctiques d'enginyeria de fons, com ara llenguatges de script com Python amb finalitats d'implementació, a més de tenir un coneixement íntim sobre tecnologies emergents com la cadena de blocs o la infraestructura sense servidor. implementacions
Detecció d'objectes
La detecció d'objectes és una tecnologia i tècnica basada en ordinador per garantir la precisió en l'anàlisi d'un conjunt de dades d'imatge. Aquesta tecnologia utilitza diversos algorismes sofisticats per identificar objectes i les seves característiques en imatges fàcilment identificables. Té un paper important en moltes àrees, com ara la forense, la ciència mèdica, l'automatització industrial, la identificació facial i els sistemes d'inspecció automatitzats.
La detecció d'objectes implica l'anàlisi o la recollida de dades per determinar la mida, la forma i altres propietats d'objectes específics d'una imatge. Aquest tipus d'anàlisi d'imatges pot incloure identificar objectes en funció del seu color, textura o fins i tot de les formes que creen quan es col·loquen junts. L'ús de models matemàtics i mètodes estadístics fa que la tasca dels ordinadors d'avui dia sigui molt més fàcil.
L'objectiu principal aquí és identificar amb precisió cada objecte que apareix en un conjunt de dades d'imatge fent ús de les etiquetes d'atributs assignades. L'algorisme s'ha d'entrenar prèviament amb moltes dades, inclosos exemples "bons" per a prediccions precises sobre les característiques de cada objecte objectiu abans de començar l'entrenament. Un cop finalitzada la formació i la previsió té èxit, seguiran fases com ara la inferència en què el resultat esperat d'una entrada determinada funciona amb els resultats obtinguts d'estudis anteriors.
La tecnologia com els algorismes d'aprenentatge profund (DL) ajuden a permetre múltiples capes que juntes treballen per aconseguir resultats més precisos en un període de temps més curt del que podrien proporcionar els mètodes tradicionals abans que estigui disponible en aquest tipus de configuració de maquinari de processament que s'utilitza avui. En última instància, això fa que les formes d'AI com l'aprenentatge profund siguin més atractives que els enfocaments convencionals, ja que redueixen molt els errors alhora que proporcionen mètriques de precisió de detecció d'objectes eficients que també poden produir resultats fàcilment en escenaris en temps real.
Eines per a l'anàlisi d'imatges
L'anàlisi d'imatges és un procés que consisteix a extreure informació significativa de les imatges mitjançant les seves metodologies computacionals. Aquest procés s'utilitza en diversos camps, com ara la imatge mèdica, la intel·ligència artificial i la teledetecció. Afortunadament, hi ha una varietat d'eines disponibles per a l'anàlisi d'imatges, que fan que el procés sigui més fàcil i eficient. Vegem algunes de les eines disponibles per a l'anàlisi d'imatges.
OpenCV
OpenCV és una biblioteca de funcions de programació dirigides principalment a la visió per ordinador en temps real. Admet diverses finestres, Linux, plataformes i altres plataformes de programari i, per tant, s'utilitza sovint per a tasques d'anàlisi i processament d'imatges. Les àrees d'aplicació d'OpenCV inclouen: visió per ordinador, reconeixement facial, identificació d'objectes, seguiment de moviment, segmentació i reconeixement.
OpenCV ofereix una àmplia gamma d'eines potents que es poden utilitzar per realitzar tasques complexes com ara la detecció d'objectes, el reconeixement facial, l'extracció automàtica de funcions i molt més. Té una comunitat activa que ofereix solucions fàcils d'utilitzar a problemes comuns. La biblioteca ha estat dissenyada per integrar-se amb molts llenguatges de programació com ara C++, Java o Python. La biblioteca permet als desenvolupadors treballar amb imatges en els seus idiomes desitjats, reduint així significativament el temps de desenvolupament. OpenCV admet qualsevol tipus de dades (com ara imatges en formació 2D i 3D), cosa que la converteix en l'eina més versàtil entre totes les biblioteques de processament d'imatges disponibles actualment.
Les eines incloses a OpenCV són:
-Filtratge d'imatges
-Segmentació d'objectes
- Característiques d'extracció
- Coincidència i classificació de característiques
- Seguiment d'objectes i anàlisi del moviment
-Reconstrucció 3D per a l'estudi d'objectes
Les seves eines s'utilitzen àmpliament per a la inspecció visual automatitzada en entorns industrials a causa de les seves avantatges com ara el baix consum de memòria, l'execució ràpida a la majoria de plataformes (especialment les incrustades), la portabilitat entre sistemes que utilitzen biblioteques estàndard com OpenMPI/MPI4Py. La seva llicència de codi obert el fa encara més atractiu per als usuaris que volen utilitzar-lo sense cap pagament de drets d'autor o llicències d'empreses o organitzacions com Mathworks, etc.
TensorFlow
TensorFlow és una biblioteca de programari de codi obert que s'utilitza per desenvolupar i entrenar models d'aprenentatge profund. Els sistemes d'aprenentatge profund, com els models d'anàlisi d'imatges, estan formats per múltiples capes de neurones que processen les dades d'entrada, com ara una imatge. TensorFlow permet als desenvolupadors desenvolupar i desplegar més fàcilment models d'aprenentatge profund d'última generació que es poden utilitzar en visió, processament del llenguatge natural i altres àrees.
El principal avantatge d'utilitzar TensorFlow és que proporciona una manera senzilla de crear i desplegar potents models d'aprenentatge automàtic de manera ràpida i eficient. TensorFlow també admet una àmplia gamma d'aplicacions a MacOS, Windows, Linux i plataformes mòbils. I com que és de codi obert i té un ric suport de la comunitat, podeu utilitzar les eines existents en el vostre procés de desenvolupament sense haver de reinventar les rodes ni dedicar més temps a depurar codi des de zero.
A més d'entrenar nous models des de zero, TensorFlow també us permet reutilitzar models pre-entrenats per transferir l'aprenentatge o ajustar-los a conjunts de problemes específics. Això fa possible crear ràpidament solucions personalitzades adaptades a problemes particulars alhora que s'aprofita el coneixement existent integrat a les xarxes existents. Amb aquesta flexibilitat a la mà, els desenvolupadors poden començar a experimentar amb diferents arquitectures més ràpidament que mai, posant-les en funcionament amb resultats d'alta precisió en molt poc temps.
Google Cloud Vision
Google Cloud Vision és una potent eina de processament d'imatges dissenyada per ajudar les empreses a analitzar imatges i obtenir informació valuosa. Es basa en la mateixa tecnologia que utilitza Google Fotos, cosa que fa que sigui fiable i fàcil d'utilitzar. Aquesta eina basada en núvol permet a les empreses processar grans quantitats d'imatges ràpidament, detectar cares, identificar objectes i extreure text, tot evitant la feina manual.
Una altra gran característica de Google Cloud Vision és la seva capacitat per identificar objectes d'una àmplia gamma de categories com ara animals o productes. Amb la funció de "detecció de logotip", els usuaris poden connectar-se amb marques com Facebook o Instagram per obtenir informació detallada de seguiment i anàlisi. La funció de "detecció de punts de referència" ajuda els usuaris a detectar punts de referència al seu voltant i entendre millor la seva cultura local en un instant.
A part de les capacitats de reconeixement d'objectes, Google Cloud Vision també ofereix als usuaris una anàlisi de sentiments, així com una eina de subtítols automatitzat per a imatges, perfecte per a l'anàlisi instantània. A més, aquesta eina ofereix capacitats de reconeixement facial que són excel·lents per a finalitats de màrqueting, ja que detecten atributs com l'edat i el gènere amb gran precisió. Finalment, les capacitats d'extracció de paraules clau permeten als usuaris escanejar ràpidament les imatges d'entrada mentre troben paraules clau rellevants que es poden utilitzar en processos o aplicacions posteriors.
En conclusió, Google Cloud Vision és una opció fantàstica quan es busca una eina de processament d'imatges per ajudar les empreses a analitzar les seves imatges de manera més eficient que mai!
Conclusió
L'anàlisi d'imatges és una eina poderosa per recopilar informació a partir d'imatges digitals. Es pot utilitzar en molts camps diferents com la medicina, l'automoció i la fotografia. Els avantatges d'utilitzar l'anàlisi d'imatges són nombrosos i poden estalviar temps, diners i esforç. En aquest article, hem analitzat els conceptes bàsics de l'anàlisi d'imatges, què és i com us pot beneficiar. També hem comentat els diferents tipus d'anàlisi i les millors pràctiques per a l'anàlisi d'imatges amb èxit. En conclusió, és evident que l'anàlisi d'imatges és una eina poderosa per recollir informació i prendre decisions basades en dades.
resum
L'elecció dels torrats per al vostre cafè depèn del sabor i la força que preferiu, així com de les vostres preferències regionals. Diferents torradors ofereixen una àmplia gamma de noms i categories de color, però en general, els rostits lleugers tindran un sabor més suau i un contingut de cafeïna lleugerament més elevat, mentre que els rostits foscos són més amargs amb menys acidesa. Els tipus populars de cadascun inclouen Light City, Half City, Cinnamon, City, American, Breakfast, Full City, High Continental New Orleans European Espresso Vienès Italià Francès. Tant si sou uns fans dels grans de cafè clars com foscos, o en algun lloc intermedi, assegureu-vos de preguntar abans de comprar perquè obtingueu exactament el que busqueu!
Per llegir més
L'ús de l'anàlisi d'imatges per obtenir informació i extreure conclusions a partir d'imatges és cada cop més popular en una àmplia gamma d'indústries, des de la sanitat fins a la seguretat. Si voleu obtenir més informació sobre aquesta tecnologia, tingueu en compte els recursos següents:
Articles i tutorials
-“Anàlisi d'imatges: què és i com s'utilitza” per Oracle
- "Una introducció a l'anàlisi d'imatges per a persones que no saben res sobre l'anàlisi d'imatges" de Kent Woodard
-“8 passos per entendre l'anàlisi i el processament d'imatges en l'aprenentatge automàtic” de Victor Charpenay
Llibres i publicacions
-Processament d'imatges: principis i aplicacions de Milan Sonka et al.
-Visió per ordinador i màquina - Teoria, algorismes, aspectes pràctics (4a ed.) per ER Davies
-Processament d'imatges digitals amb OpenCV - Bibliografia (Ver 4.1) compilada per David Dardas Webinars & Podcasts
-Visió per ordinador mitjançant un seminari web d'aprenentatge automàtic organitzat per Treehouse AI
-Podcast sobre els fonaments de l'aprenentatge automàtic allotjat per Google Cloud Platform També hi ha molts altres llibres, articles, seminaris web, podcasts, tallers i altres recursos disponibles que us poden ajudar a entendre millor la metodologia d'anàlisi d'imatges i també com utilitzar-la per a aplicacions específiques.
Hola, sóc la Kim, una mare i una entusiasta del stop-motion amb formació en creació de mitjans i desenvolupament web. Tinc una gran passió pel dibuix i l'animació, i ara estic submergint-me de cap en el món del stop-motion. Amb el meu bloc, comparteixo els meus aprenentatges amb vosaltres.
