Classement des images
Tutoriel Blog_Portal Lien : Lien
Dans ce didacticiel, vous apprendrez à utiliser l'apprentissage par transfert pour former un réseau neuronal convolutif pour la classification d'images. Vous pouvez en savoir plus sur l'apprentissage par transfert sur cs231n.
L'objectif principal de cet article est de vous apprendre à construire vous-même un modèle de classification. Si vous le lisez patiemment, je pense que vous y gagnerez beaucoup. Sans plus attendre,
allons droit au but... Tout d'abord, il faut savoir que le deep learning inclut principalement les aspects suivants :
1. Chargement (traitement) des données
2. Construction du réseau
3. Fonction de perte (optimisation du modèle)
4. Formation et sauvegarde du modèle,
saisissez-les. Le contenu et le processus principaux vous donnent essentiellement une idée approximative du modèle de classification.
Détection de cible
reconnaissance des panneaux de signalisation
Ce projet est un système de détection et de classification des panneaux de signalisation basé sur OpenCV, capable de détecter et de classer les panneaux de signalisation dans des vidéos en temps réel. L'étape de détection utilise des techniques de traitement d'image pour créer un contour sur chaque image vidéo et trouver tous les ovales ou cercles qu'elle contient. Ils sont marqués comme candidats aux panneaux de signalisation.
Tutoriel Blog_Portal Link-------> Reconnaissance des panneaux de signalisation
Reconnaissance d'expression, reconnaissance de visage
La reconnaissance des émotions faciales (FER) fait référence au processus d'identification et de classification des émotions humaines en fonction des expressions faciales. En analysant les traits et les schémas du visage, les machines peuvent tirer des conclusions éclairées sur l'état émotionnel d'une personne. Ce sous-domaine de la reconnaissance faciale est hautement interdisciplinaire et s'appuie sur des connaissances issues de domaines tels que la vision par ordinateur, l'apprentissage automatique et la psychologie.
Tutoriel Blog_Portal Link-------> Reconnaissance d'expressions
Détection de fatigue
La somnolence survient souvent au volant d'une voiture. Ce comportement est nocif pour les autres et pour nous-mêmes. S'il existe un système capable d'identifier la somnolence, alors ce système sera sans aucun doute d'une grande importance !
Tutoriel Blog_Portal Link-------> Détection de fatigue
Suivi et télémétrie des véhicules
Ce projet est un projet basé sur des algorithmes d'apprentissage profond et de suivi de cibles, principalement utilisés pour réaliser la détection et le suivi de cibles dans des vidéos. Ce projet utilise l'algorithme de détection de cible YOLOv4 et l'algorithme de suivi de cible DeepSORT, ainsi que certains outils et bibliothèques auxiliaires, pour aider les utilisateurs à mettre en œuvre rapidement la détection et le suivi de cibles vidéo localement ou dans le cloud !
Tutoriel Blog_Portal Link-------> Télémétrie et suivi monoculaires
yolov5 deepsort piéton/véhicule (détection + comptage + suivi + télémétrie + mesure de vitesse)
- Implémentation d'un comptage séparé des entrées et sorties locales.
- Afficher la catégorie de détection et le nombre d’identifiants.
- La valeur par défaut est la détection de direction sud/nord. Si vous souhaitez détecter différentes positions et directions, vous devez la modifier.
- Vous pouvez cliquer pour exécuter dans count_car/traffic.py
- Catégories de détection par défaut : piétons, vélos, voitures, motos, bus, camions et bateaux.
- La catégorie de détection peut être modifiée dans le fichier objdetector.py.
Lien d'origine : https://blog.csdn.net/ALiLiLiYa/article/details/131819630
Suivi de cible
Tutoriel Blog_Portal Link-------> Suivi des cibles
YOLOv5 est un algorithme de détection de cible populaire, qui est la dernière version de la série d'algorithmes YOLO. YOLOv5 adopte une nouvelle architecture qui peut augmenter la vitesse de détection tout en conservant une grande précision. Dans cet article, nous présenterons comment utiliser l'algorithme YOLOv5_deepsort pour le suivi et la télémétrie des navires.
Reconnaissance de voie
Cet article parle principalement de l'intégration de projets : de la reconnaissance de lignes de voie, en passant par le suivi, en passant par l'intégration de divers modèles populaires en un seul !
Ne parlez pas de principes, donnez juste les informations pratiques !
Apprenez la configuration de l'environnement ci-dessous et profitez-en à vie !
Applicable à tous les grands projets !
Tutorial Blog_Portal Link-------> Reconnaissance de voie + Détection de cible
Jetons un coup d'œil à l'effet de ce projet :
Segmentation sémantique
MMsegmentation est une bibliothèque d'outils de segmentation d'images basée sur PyTorch. Elle permet la mise en œuvre de plusieurs algorithmes de segmentation, notamment la segmentation sémantique, la segmentation d'instance, la segmentation de contour, etc. L'objectif de MMsegmentation est de fournir une plateforme facile à utiliser, efficace, flexible et évolutive afin que les développeurs puissent facilement utiliser des algorithmes de segmentation de pointe pour la recherche et le développement.
Tutoriel Blog_Portal Link-------> Segmentation sémantique
reconnaissance gestuelle
L'estimation de la pose humaine est une tâche importante en vision par ordinateur avec diverses applications telles que la reconnaissance d'actions, l'interaction homme-machine et la surveillance. Ces dernières années, les méthodes basées sur l’apprentissage profond ont atteint des performances remarquables dans l’estimation de la pose humaine. L'une des méthodes d'apprentissage en profondeur les plus populaires est le modèle d'estimation de pose YOLOv7.
Lien Cheng Blog_Portal -------> : https://blog.csdn.net/ALiLiLiYa/article/details/129482358