کدنویسی و ساخت دید کامپیوتری هوشمند در Raspberry Pi 4

برنامه های بیشتر و بیشتر از دیدگاه کامپیوتر برای تشخیص و تشخیص اشیاء استفاده می کنند. این برنامه ها معمولا بر روی رایانه های بزرگ اجرا می شوند، اما توسعه دهندگان می توانند پول و قدرت را با اجرای آنها در رایانه های تک هیئت مدیره (SBCs) صرفه جویی کنند. Raspberry Pi 4 یکی از محبوب ترین SBCS موجود است. این همچنین اولین رایانه در خانواده Raspberry PI به اندازه کافی قدرتمند است تا برنامه های کامپیوتری را اجرا کند. همچنین، نرم افزار مورد نیاز برای ساخت این برنامه ها را می توان آزادانه از اینترنت دانلود کرد. در این دوره، مربی Matt Scarpino برنامه نویسان را نشان می دهد نحوه نوشتن و اجرای برنامه های اطلاعات کامپیوتر در Raspberry Pi 4. Matt شما را به استفاده از Thonny IDE، کتابخانه OpenCV و عملیات آرایه ای Numpy معرفی می کند. او از طریق تشخیص شیء و شبکه های عصبی عمل می کند و سپس شبکه های عصبی کانولوشن (CNNS) را بررسی می کند، از جمله بسته Keras و بسته Tensorflow. مات همچنین شما را از طریق آنچه که می توانید با یک دوربین Raspberry PI HQ انجام دهید، پیاده سازی کنید.

عنوان اصلی : Computer Vision on the Raspberry Pi 4

سرفصل های دوره :

مقدمه:
شروع کار با بینایی کامپیوتر
آنچه باید بدانید
استفاده از فایل های تمرین
1. برنامه نویسی پایتون در Raspberry Pi 4:
معرفی Raspberry Pi 4
تنظیم محیط
با استفاده از Thonny IDE
2. OpenCV در Raspberry Pi:
معرفی OpenCV
عملیات آرایه NumPy
اجرای یک مثال ساده پردازش تصویر
نظریه پیچیدگی
پیچیدگی در OpenCV
3. تشخیص شی:
محاسبه گرادیان تصویر تشکیل هیستوگرام گرادیان ها (HOGs)
محاسبات HOG در OpenCV آشنایی با ماشین های بردار پشتیبان (SVM)
تشخیص اشیا با HOG و SVM
4. درک شبکه های عصبی:
معرفی شبکه های عصبی
آموزش شبکه های عصبی
ایجاد شبکه های عصبی در OpenCV
طبقه بندی عنبیه ها با شبکه عصبی
5. شبکه های عصبی کانولوشنال (CNN):
معرفی شبکه های عصبی کانولوشنال (CNN)
ایجاد CNN با Keras
آموزش CNN با TensorFlow
اجرای مدل ها با TensorFlow Lite
تشخیص اشیا با Raspberry Pi
6. دوربین Raspberry Pi HQ:
معرفی بسته picamera
دسترسی به دوربین Raspberry Pi در پایتون
تشخیص اشیا با دوربین Raspberry Pi
تشخیص اشیا با دوربین Raspberry Pi
نتیجه گیری:
مراحل بعدی