آموزش YOLO - تشخیص آبجکت سفارشی و وب اپلیکیشن در پایتون

در این دوره یاد می گیرید که مدل تشخیص آبجکت سفارشی را با استفاده از پایتون و OpenCV آموزش داده و وب اپلیکیشن خود را با Streamlit توسعه دهید.

آنچه یاد خواهید گرفت

• تشخیص آبجکت YOLO مبتنی بر پایتون با استفاده از مدل‌ های مجموعه داده‌ آموزش‌ دیده سفارشی
• آموزش سفارشی YOLO
• تشخیص آبجکت با YOLO نسخه 5
• آموزش چندین آبجکت
• مفاهیم اساسی Streamlit
• توسعه وب اپلیکیشن با پایتون

توضیحات دوره

حال اجازه دهید مباحث دوره را مرور کنیم:

• جلسه تئوری مقدماتی در مورد تشخیص آبجکت با YOLO
  • در اینجا در این بخش تاریخچه تشخیص آبجکت را توضیح می دهیم.
  • متریک های تشخیص آبجکت مانند IoU (تقاطع روی اتحاد)، دقت، میانگین دقت متوسط ​​(mAP) و غیره
  • سپس مفهوم ریاضی پشت YOLO را بررسی می کنیم.
  • همچنین نحوه بهبود YOLO از هر نسخه را پوشش می دهیم.

پس از آن، آماده هستیم تا با دانلود و نصب پکیج پایتون، کامپیوتر خود را برای کدنویسی پایتون آماده کرده و بررسی کنیم که آیا همه موارد به خوبی نصب شده است یا نشده است.

• آماده سازی داده برای مدل YOLO
  • قوانینی که در جمع آوری داده باید رعایت شود.
  • تصویر برچسب برای تشخیص آبجکت - در اینجا از ابزار LabelImg استفاده می کنیم که یک ابزار متن باز برای برچسب گذاری برچسب است.
  • تحلیل داده‌ از فایل‌ های XML و استخراج اطلاعاتی مانند نام فایل، اندازه، اطلاعات جعبه مرزی مانند (xmin و xmax و ymin و ymax)
  •  داده XML را در دیتافریم pandas پردازش می کنید و سپس تصویر را تقسیم کرده و اطلاعات برچسب مربوطه را در آموزش و تست ذخیره می کنید.

در این بخش همه مواردی را که یاد می گیریم در عمل به کار خواهیم برد. این بخش کاملاً عملی است که در آن کدهای پایتون را انجام می دهیم و از دیتافریم های pandas برای آماده سازی داده استفاده می کنیم.

• آموزش مدل YOLO نسخه 5
• توسعه وب اپلیکیشن در پایتون

این دوره برای چه کسانی مناسب است؟

• فرد مبتدی و حرفه ای که می خواهند مدل تشخیص آبجکت سفارشی را توسعه دهند.