Classificação de imagens
Tutorial Blog_Portal Link: Link
Neste tutorial, você aprenderá como usar o aprendizado de transferência para treinar uma rede neural convolucional para classificação de imagens. Você pode ler mais sobre aprendizagem por transferência em cs231n.
O objetivo principal deste artigo é ensiná-lo a construir sozinho um modelo de classificação. Se você ler com paciência, acredito que ganhará muito. Sem mais delongas, vamos
direto ao ponto… Em primeiro lugar, devemos saber que o aprendizado profundo inclui principalmente os seguintes aspectos:
1. Carregamento (processamento) de dados
2. Construção de rede
3. Função de perda (otimização do modelo)
4. Treinamento e salvamento de modelos,
compreenda-os. O conteúdo e o processo principais basicamente fornecem uma ideia aproximada do modelo de classificação.
Detecção de alvo
reconhecimento de sinais de trânsito
Este projeto é um sistema de detecção e classificação de sinais de trânsito baseado em OpenCV, que pode detectar e classificar sinais de trânsito em vídeos em tempo real. O estágio de detecção usa técnicas de processamento de imagem para criar um contorno em cada quadro de vídeo e encontrar todas as formas ovais ou círculos dentro dele. Eles são marcados como candidatos a sinais de trânsito.
Tutorial Blog_Portal Link -------> Reconhecimento de sinais de trânsito
Reconhecimento de expressão, reconhecimento facial
O reconhecimento de emoções faciais (FER) refere-se ao processo de identificação e classificação de emoções humanas com base em expressões faciais. Ao analisar características e padrões faciais, as máquinas podem fazer inferências fundamentadas sobre o estado emocional de uma pessoa. Este subcampo do reconhecimento facial é altamente interdisciplinar, baseando-se no conhecimento de áreas como visão computacional, aprendizado de máquina e psicologia.
Tutorial Blog_Portal Link -------> Reconhecimento de Expressão
Detecção de fadiga
A sonolência geralmente ocorre ao dirigir um carro. Esse comportamento é prejudicial aos outros e a nós mesmos. Se houver um sistema que possa identificar a sonolência, então esse sistema será, sem dúvida, de grande importância!
Tutorial Blog_Portal Link-------> Detecção de Fadiga
Rastreamento e rastreamento de veículos
Este projeto é um projeto baseado em algoritmos de aprendizado profundo e rastreamento de alvos, usados principalmente para detectar e rastrear alvos em vídeos. Este projeto usa o algoritmo de detecção de alvo YOLOv4 e o algoritmo de rastreamento de alvo DeepSORT, bem como algumas ferramentas e bibliotecas auxiliares, para ajudar os usuários a implementar rapidamente a detecção e rastreamento de alvo de vídeo localmente ou na nuvem!
Tutorial Blog_Portal Link -------> Alcance e rastreamento monocular
yolov5 deepsort pedestre/veículo (detecção + contagem + rastreamento + alcance + medição de velocidade)
- Implementada contagem separada de entrada e saída local.
- Exibir categoria de detecção e número de IDs.
- O padrão é a detecção de direção sul/norte. Se você deseja detectar diferentes posições e direções, você precisa modificá-la.
- Você pode clicar para executar em count_car/traffic.py
- Categorias de detecção padrão: pedestres, bicicletas, carros, motocicletas, ônibus, caminhões e barcos.
- A categoria de detecção pode ser modificada no arquivo objdetector.py.
Link original: https://blog.csdn.net/ALiLiLiYa/article/details/131819630
Rastreamento de alvo
Tutorial Blog_Portal Link -------> Rastreamento de Alvo
YOLOv5 é um algoritmo de detecção de alvo popular, que é a versão mais recente da série de algoritmos YOLO. YOLOv5 adota uma nova arquitetura que pode aumentar a velocidade de detecção enquanto mantém alta precisão. Neste artigo, apresentaremos como usar o algoritmo YOLOv5_deepsort para rastreamento e alcance de navios.
Reconhecimento de pista
Este artigo fala principalmente sobre integração de projetos: desde o reconhecimento de linhas de faixa, variando, até o rastreamento, integrando vários modelos populares em um!
Não fale sobre os princípios, apenas dê informações práticas!
Aprenda a configuração do ambiente abaixo e beneficie-se dela para o resto da vida!
Aplicável a todos os grandes projetos!
Tutorial Blog_Portal Link------> Reconhecimento de pista + Detecção de alvo
Vamos dar uma olhada no efeito deste projeto:
Segmentação semântica
MMsegmentation é uma biblioteca de ferramentas de segmentação de imagens baseada em PyTorch que fornece a implementação de vários algoritmos de segmentação, incluindo segmentação semântica, segmentação de instância, segmentação de contorno, etc. O objetivo da MMsegmentation é fornecer uma plataforma fácil de usar, eficiente, flexível e escalável para que os desenvolvedores possam usar facilmente algoritmos de segmentação de última geração para pesquisa e desenvolvimento.
Tutorial Blog_Portal Link-------> Segmentação Semântica
reconhecimento de gestos
A estimativa da pose humana é uma tarefa importante na visão computacional com várias aplicações, como reconhecimento de ações, interação humano-computador e vigilância. Nos últimos anos, os métodos baseados em aprendizagem profunda alcançaram um desempenho notável na estimativa da pose humana. Um dos métodos de aprendizagem profunda mais populares é o modelo de estimativa de pose YOLOv7.
Link Cheng Blog_Portal ------->: https://blog.csdn.net/ALiLiLiYa/article/details/129482358
