> Este repositorio es un proyecto personal, abierto y sin pretensiones. Toda la información aquí contenida corresponde a mis apuntes y prácticas personales, no constituye documentación oficial y se publica sin garantía ni responsabilidad.

Curso: Olive + Python en VS Code (Jupyter)

Repositorio: olive-python-vscode-labs

Este repositorio contiene TODO el material del curso (módulos M0–M6): notebooks, scripts auxiliares, modelos/datos de ejemplo y artefactos generados.

Estructura del proyecto

• notebooks/ → laboratorios en .ipynb (paso a paso)
• models/ → modelos (p.ej. ONNX) usados en el curso
• data/ → datos de ejemplo para evaluar/validar
• outputs/ → salidas generadas (modelos optimizados, métricas, logs, etc.)
• requirements.txt → dependencias del entorno Python del curso

Requisitos

• Visual Studio Code con soporte para Jupyter Notebooks (extensión Jupyter).
• Python (recomendado usar entornos virtuales con venv).
• pip para instalar dependencias.
• Git (si vas a versionar y publicar cambios desde VS Code).

Inicio rápido (entorno reproducible)

1. Crear un entorno virtual en la raíz del repositorio:

python -m venv .venv

Activa el entorno según tu sistema operativo; ver documentación oficial de venv.

2. Instalar dependencias del curso desde requirements.txt:

python -m pip install -r requirements.txt

3. Abrir el repositorio en VS Code y trabajar con los notebooks:

• Abre la carpeta del repo en VS Code.
• Abre un archivo en notebooks/ (por ejemplo, notebooks/00_setup.ipynb).
• Selecciona el kernel de Python correspondiente a tu entorno (.venv) desde VS Code.

Regla del curso: versiones y verificación

Antes de ejecutar comandos/pipelines de Olive, verifica versión de Python y el paquete instalado:

python --version
python -m pip show olive-ai

Esto ayuda a evitar diferencias de comportamiento entre versiones.

Temario (ruta guiada)

• M0: Setup VS Code + Jupyter + venv + pip + olive-ai
  Apuntes: Introducción y setup
• M1: Fundamentos (ONNX, ONNX Runtime, qué hace Olive)
  Apuntes: Explicación ONNX y ORT
• M2: Primer pipeline Olive end-to-end (artefactos, outputs, validación)
  Apuntes: Pipeline Olive E2E
• M3: Cuantización y validación (calidad vs rendimiento)
  Apuntes: Cuantización y validación
• M4: Optimización/packaging y medición (latencia/tamaño)
  Apuntes: Medición, optimización y packaging
• M5: Trabajo con repos oficial (microsoft/Olive) y ejemplos oficiales
  Apuntes: Repo oficial y editable install
• M6: Proyecto final (pipeline completo con métricas y reporte)
  Apuntes: Proyecto final y reporte

Referencias oficiales (URLs permitidas en el curso)

VS Code (docs)

• https://code.visualstudio.com/docs
• https://code.visualstudio.com/docs/datascience/jupyter-notebooks
• https://code.visualstudio.com/docs/datascience/jupyter-kernel-management

Python + venv

• https://docs.python.org/3/library/venv.html

pip

• https://pip.pypa.io/

Microsoft Olive

• https://microsoft.github.io/Olive/
• https://github.com/microsoft/Olive

ONNX / ONNX Runtime

• https://onnx.ai/
• https://onnxruntime.ai/docs/
• https://onnxruntime.ai/docs/performance/olive.html

---

Advertencia: El contenido de este repositorio se ofrece “tal cual”, sin ningún tipo de soporte, garantía o responsabilidad. Úsalo bajo tu propia responsabilidad; no es información oficial ni está respaldada por terceros.