Resuelva cómo hacer que la máquina imite la forma de pensar del cerebro humano, para deshacerse de la limitación de comparación inherente original de la base de datos.
Configuración del entorno de instalación de aprendizaje profundo de Tensorflow
Tensorflow entrena su propio conjunto de datos
Cómo entrenar rápidamente su propio conjunto de datos sin GPU
El algoritmo general de la plataforma en la nube Yolov3 entrena su propio conjunto de datos
La idea del aprendizaje profundo se deriva de la "red neuronal artificial", inspirándose en el cerebro, simulando el mecanismo del cerebro humano para analizar problemas y estableciendo una red neuronal para el análisis y el aprendizaje. Los componentes básicos de las redes neuronales son las neuronas artificiales que imitan las neuronas del cerebro humano. Así como miles de millones de neuronas en el cerebro se distribuyen en varias capas de una red neuronal, y hay decenas de miles de conexiones entre ellas, los modelos de aprendizaje profundo involucran una gran cantidad de unidades informáticas. Cuando interactúan entre sí, la distribución potencial de los datos modelados es mucho mayor Representación de capas para el aprendizaje autónomo.
1. La solución principal es cómo hacer que la máquina imite la forma de pensar del cerebro humano, para deshacerse de la limitación de comparación inherente original de la base de datos, para que la máquina pueda comprender el mundo cambiante a través del aprendizaje profundo, por lo que el aprendizaje profundo. es una parte importante de la inteligencia artificial AI.
Se puede decir que el sistema visual del cerebro humano y la red neuronal.
2. A medida que Google continúa abriendo su plataforma de desarrollo de inteligencia artificial, el desarrollo de inteligencia artificial se está volviendo cada vez más popular y popular como Android. ¿Es aprendizaje activo o eliminación pasiva? Obviamente, cuanto antes sea el talento que aprenda y domine esta tecnología, más ventajosa será. Con este fin, se abren los "Cursos de la Serie Básica de AI", que cubren los conceptos básicos visuales tradicionales de LabVIEW, Yolov3, Neural Stick, y el programa de inicio de sesión de reconocimiento facial "AI Discovery", sigamos la perspectiva del gran café para descifrar AI de cerca.
3. Resuelve la rigidez de la visión tradicional y fija el método de cálculo. Deje que la visión artificial tenga sus propias ideas.
Programa del curso:
Colección de volúmenes de inteligencia artificial de inteligencia artificial, aprendizaje profundo de redes neuronales,
la luz del desarrollo de la inteligencia artificial
1. ¿Por qué estudiar el aprendizaje profundo?
2. La diferencia entre la visión tradicional y la inteligencia artificial Aprendizaje profundo de IA
3. ¿Qué es la red neuronal de volumen establecido?
4. ¿Qué problema resuelve el aprendizaje profundo?
5. ¿El aprendizaje profundo simplifica o complica el problema?
6. El campo de aplicación y las ventajas de
AI tensorflow 7. El poder del campo de aplicación del algoritmo AI yolov3
8. Cómo ejecutar el entrenamiento sin una GPU en una computadora portátil 9. C
# llamar al modelo congelado Resumen de archivo Pb
10. LabVIEW llama al resumen del archivo Pb del modelo congelado
11. Use Tensorflow (yolov3) para usar el ejemplo del gato y el perro para describir brevemente
la instalación del entorno AI Tensorflow
9. Instale Anaconda3-4.3.0.1
10. Instale Tensorflow (versión de CPU y Descripción de la versión de GPU método de instalación) para ver si la instalación es exitosa
11. Busque Versiones de adaptación de GPU de CUDA y cuDNN (aquí en CPU)
12. Pruebe nuevamente si la instalación de Tensorflow es exitosa
13. Pruebe si la aceleración de GPU está habilitada
14. Descargar Modelos (Modelo proporcionado por el profesor)
15. Coloque Protoc.exe debajo de la unidad C y ejecute la instalación protobuf == 3.6.0
Compile el archivo .proto en el archivo .py en 16.modelos
17. Configuración de variables de entorno (cree el tensorflow_models.pth y colócalo en la carpeta especificada)
18. Cree python setup.py build
19. Pruebe si la API de modelos se instaló correctamente
20. Instale la versión de la comunidad de pycharm (el profesor proporciona el paquete de instalación)
21. Instale el entorno de configuración y enlace
conda 22. Pycharm abre la carpeta completa de modelos y ejecuciones para proporcionar pruebas de muestra API se instaló con éxito
entorno para construir y probar el trabajo completado 23.API
AI Tensorflow propio conjunto de datos de entrenamiento
24. instalación LabelImg (proporcionado por el maestro)
25. cómo llamar a LabelImg.py abierto
26. la etiqueta etiquetado LabelImg y conocimiento
27. la imagen de la canción Mark HU Train and Test Las imágenes internas se guardan como Xml
28.xml_to_csv.py conversión
29.CSV_to_TFRecords formato
30. Archivo de configuración y modificación
31. Cree un archivo de texto enorme.pbtxt como texto anotado
32. Todo es en su lugar, solo debe el viento, comience a entrenar ...
33. viendo el tensorboard La pérdida no es obvia, necesita ser evaluada
34. Exportar archivo pb
35. Modelo de prueba
36. Instalar LabVIEW2019 VAS VDM son todos 2019
37. Copiar modelo pb freeze para probar el efecto de detección
36. Ejemplo 1: Usar tensor Detectar la presencia de detección de casco
37. Ejemplo 2: Usar tensor para detectar la presencia de detección de máscara
AI algoritmo Yolov3 inicio rápido => Google cloud
1. Permiso del navegador de Google para abrir el motor de búsqueda
2. Introducción a Google Cloud
3. Establecer la ruta de Google Cloud Disk
4. Cargar Google Cloud Disk: para facilitar la transferencia de archivos en Google Cloud Disk al servidor de la nube
5. Crear en Google Cloud Carpeta de disco para almacenar archivos relacionados con el entrenamiento
6. Ejecute la demostración para mostrar bbox (descargue los pesos del conjunto de datos de coco entrenado)
7. Ejemplos para explicar el
entrenamiento rápido del algoritmo AI Yolov3 => Sin GPU para el entrenamiento en ejecución de la computadora portátil
8. Cargue archivos relacionados a Google Cloud Disk
9. Cargue el archivo generate_trian.py en Google Cloud Disk
10. Descargue los pesos previos al entrenamiento y cárguelos en el archivo darknet
11. Comience a entrenar
12. Cuando se interrumpa el entrenamiento, continúe entrenando según los últimos pesos de entrenamiento
13 Guarde el archivo pb del modelo
14. Utilice LabVIEW para observar el modelo
15. Ejemplo 1yolov3 para realizar la detección de defectos
16. Ejemplo 2 Detección dinámica en tiempo real de la cámara
Además, el inicio rápido visual básico tradicional
1. Orientación
2. Demostración de ejemplo de instalación y detección de defectos
3. Introducción a la interfaz _Trim
4. Formas de adquirir imágenes
5. Leer y escribir atributos de la cámara
6. Simular la adquisición de imágenes
7. Elegir qué imagen inspeccionar
8. Asistente visual: rotación y corrección de imágenes y procesamiento
9. Tabla de búsqueda: posicionamiento visual perfecto
10. Filtro de imagen
11. Morfología gris
12. Marca de práctica y búsqueda
13. Principios de la reconstrucción de la morfología gris
14. Explicar la imagen por caso Binarización
15. Morfología básica
16. Explicar la utilidad de avanzada morfología a través del experimento de la bola rodante
17. Inversión de binarización
18. Entrenamiento de clasificación de imágenes para un reconocimiento de color preciso
19. Crear área objetivo (ROI)
20. Encontrar puntos de borde
21. Encontrar bordes rectos
22. Encontrar círculos
23. Plantillas coincidentes
24. Coincidencia geométrica
25 . Establecimiento de un sistema de coordenadas
26. Comprobación de objetivos
27. Plantillas de colores coincidentes
28. Bordes rectos avanzados
29. Funciones de
medición 30. Colores de medición
31. Contando píxeles
32. Calibradores con el calibre más grande
33. Geometría
34. Comprobación de existencia
35. Comprobación del objetivo ( análisis de partículas)
36. Medición de ángulo, ángulo recto, área, etc.
37. Reconocimiento de objetivos
38. Coincidencia de plantilla dorada
39. Detección de puntos a través de coincidencia de plantilla dorada
40. Reconocimiento de caracteres, entrenamiento,
41. Reconocimiento de código bidimensional
42. Comunicación TCP
43. Conjunto estado de detección del sistema
44. Cálculo
45. Cálculo lógico
46. Establecer variables
47. Ejecutar la función de LabVIEW
48. Imagen de visualización de superposición
49. Imagen de visualización
50. Retraso
51. Registro de datos
52. Registro de imagen
53. Interfaz de actualización de UI sincronización de cámara
54. Cómo inicializar el hardware
55 Cómo cerrar la interfaz y cerrar el programa automáticamente
56. Escribir un software combinado con el conjunto
57. Resumir los pasos detallados de VBAI desde personalizar la interfaz hasta completar rápidamente el proyecto
El curso de código fuente específico está en: http://t.elecfans.com/c1391.html
http://t.elecfans.com/c1320.html