YOLO: تشخیص شیء سفارشی در پایتون

YOLO: مدل تشخیص شیء داده های سفارشی در پایتون

عنوان اصلی : YOLO: Custom Object Detection in Python

سرفصل های دوره :

مقدمه:
محیط مجازی را نصب کنید
بسته های پایتون را نصب کنید
در جمع آوری داده ها و برچسب زدن
بارگیری کامل Python & Data
آماده سازی داده ها:
برچسب زدن
لیست پرونده های XML را در پایتون دریافت کنید
داده ها را از پرونده های XML بخوانید و استخراج کنید
داده ها را از پرونده های XML Part2 بخوانید و استخراج کنید
اطلاعات برچسب ها را به pandas dataframe تبدیل کنید
برچسب های مدل YOLO
آزمایشگاه هایی برای مدل Yolo در پایتون ایجاد کنید
داده ها/تصاویر را به مجموعه های قطار و تست تقسیم کنید
رمزگذاری برچسب به اشیاء
پوشه قطار و تست ایجاد کنید
عملکرد را ایجاد کنید و تصویر قطار را جابجا کنید و متن را در پوشه قطار برچسب بزنید
تصاویر تست و متن را در پوشه تست حرکت دهید
آموزش مدل YOLO:
پرونده yaml را ایجاد کنید
منابع Google Drive
تنظیم Google Colab
مخزن yolo v5 را دریافت کنید
آموزش مدل YOLO V5
مدل YOLO را ذخیره کنید
پیش بینی از مدل YOLO:
منابع بارگیری
آنچه ما انجام خواهیم داد
مرحله 1 ، پرونده data.yaml را بارگیری کنید
مرحله 2: مدل YOLO را با OpenCV بارگذاری کنید
مرحله 3: از مدل YOLO تشخیص دهید
تشخیص خروجی مدل YOLO را درک کنید
حداکثر سرکوب - قسمت 1
حداکثر سرکوب - قسمت 2
جعبه محدود کردن
ماژول پیش بینی Yolo را ایجاد کنید
تشخیص نهایی شیء از تصویر با yolo
جایزه:
سخنرانی جایزه