آموزش بسته کامل دوره YOLOv4 Pro [ویدئو]

Full YOLOv4 Pro Course Bundle [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: اگر می خواهید شبکه عصبی YOLOv4 خود را به صورت بومی آموزش دهید، این دوره بسیار مناسب است. شما با یک مقدمه ملایم به دنیای بینایی کامپیوتر با YOLOv4 شروع می‌کنید، darknet را نصب می‌کنید، و کتابخانه‌هایی را برای YOLOv4 می‌سازید تا YOLOv4 را بر روی تصاویر و ویدیوها در زمان واقعی پیاده‌سازی کنید. شما حتی با ساختن برنامه نظارت بر فاصله اجتماعی خود و اجرای ردیابی خودرو با استفاده از الگوریتم قوی DeepSORT، مشکلات فعلی و مرتبط دنیای واقعی را حل خواهید کرد. پس از آن، تکنیک‌ها و بهترین شیوه‌ها/قوانین را در مورد نحوه اجرای پیاده‌سازی Python و توسعه رابط کاربری گرافیکی برای برنامه‌های YOLOv4 با استفاده از PyQT خواهید آموخت. سپس، مجموعه داده‌های خود را از ابتدا برچسب‌گذاری می‌کنید، مجموعه‌های داده استاندارد را به فرمت YOLOv4 تبدیل می‌کنید، مجموعه داده‌های خود را 10 برابر تقویت می‌کنید، و از تقویت داده‌ها برای افزایش قابل توجهی تنوع داده‌های موجود برای مدل‌های آموزشی، بدون جمع‌آوری داده‌های جدید استفاده می‌کنید. در نهایت، برنامه تشخیص ماسک خود را توسعه خواهید داد تا تشخیص دهد که آیا یک فرد ماسک خود را زده است یا خیر و یک هشدار را پرچم‌گذاری کنید. در پایان این دوره، شما می توانید CNN های سفارشی خود را با YOLOv4 پیاده سازی و آموزش دهید. این به شما در حل مشکلات دنیای واقعی، انجام پروژه های هوش مصنوعی آزاد، به دست آوردن این فرصت در هوش مصنوعی و مقابله با کارهای تحقیقاتی خود با صرفه جویی در زمان و هزینه کمک می کند. دنیا صدف شماست؛ فقط زمانی که در هوش مصنوعی مهارت دارید شروع به کاوش در جهان کنید. همه فایل‌های منبع در مخزن GitHub در https://github.com/PacktPublishing/Full-YOLOv4-Pro-Course-Bundle شناسایی YOLOv4 روی تصاویر آپلود می‌شوند. تشخیص YOLOv4 را روی ویدیوها و وب کم اجرا کنید چگونه به طور بومی آشکارساز YOLOv4 سفارشی خود را آموزش دهید فایل هایی را برای آموزش و تنظیم فایل های پیکربندی آماده کنید YOLOv4 را با PyQT ادغام کنید رابط کاربری گرافیکی فاصله‌گذاری اجتماعی با PyQT این دوره برای توسعه‌دهندگان، محققان و دانشجویانی است که حداقل تجربه برنامه‌نویسی دارند و می‌خواهند در هوش مصنوعی برای بینایی کامپیوتر و تشخیص بصری مهارت داشته باشند. فردی که دانش یادگیری ماشینی دارد و می‌خواهد برای درک بصری وارد شبکه‌های عصبی یا هوش مصنوعی شود، دانشمندی که به دنبال استفاده از الگوریتم‌های یادگیری عمیق + بینایی کامپیوتر است، افرادی که به دنبال استفاده از الگوریتم‌های بینایی کامپیوتر در پروژه‌های خود هستند، از این دوره بهره‌مند خواهند شد. یک کامپیوتر/لپ تاپ با برد بالا، ویندوز 10 و کارت گرافیک GPU CUDA Nvidia پیش نیاز هستند. برنامه فاصله گذاری اجتماعی برای محاسبه فاصله بین افراد برای تعیین اینکه آیا در معرض خطر هستند * برنامه شمارش اشیاء برای شمارش خودروها در پارکینگ و DeepSORT برای ردیابی وسایل نقلیه در ترافیک * برنامه تشخیص ماسک برای تشخیص اینکه آیا فرد ماسک زده است یا نه. اگر نه، علامت گذاری یک هشدار

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • معرفی Introduction

  • نحوه اکسل در این دوره How to Excel in this Course

  • نظریه YOLOv4 YOLOv4 Theory

  • نصب وابستگی های YOLOv4 مانند CUDA، Python، OpenCV Installation of YOLOv4 Dependencies such as CUDA, Python, OpenCV

تشخیص شی با YOLOv4 Object Detection with YOLOv4

  • تشخیص شیء YOLOv4 در تصویر و ویدیو YOLOv4 Object Detection on Image and Video

  • توضیح YOLOv4 Darknet با پیاده سازی کد و وب کم YOLOv4 Darknet Explanation with Code and Webcam Implementation

  • برنامه نظارت بر فاصله گذاری اجتماعی Social Distancing Monitoring App

  • جلسه مربیگری پایش فاصله اجتماعی Social Distancing Monitoring Coaching Session

  • شمارش ماشین های پارک شده Count Parked Cars

  • DeepSORT Intuition - چگونه DeepSORT Object Tracking کار می کند DeepSORT Intuition - How DeepSORT Object Tracking Works

  • ردیابی قوی با YOLOv4 و DeepSORT Robust Tracking with YOLOv4 and DeepSORT

خلاصه شروع YOLOv4 YOLOv4 Starter Summary

  • تکامل YOLOv1 به YOLOv3 Evolution of YOLOv1 to YOLOv3

  • تشخیص مهره شطرنج YOLOv5 YOLOv5 Chess Piece Detection

  • آشکارساز برنی سندرز Bernie Sanders Detector

برچسب گذاری یک مجموعه داده جدید در قالب YOLOv4 Labelling a New Dataset in YOLOv4 Format

  • مقدمه ای بر حاشیه نویسی داده ها Introduction to Data Annotation

  • فرمت YOLOv4 برای برچسب گذاری تصویر YOLOv4 Format for Image Labelling

  • ابزارهای برچسب زدن YOLOv4 YOLOv4 Labelling Tools

  • داده های Web-Scaping Web-Scaping Data

  • حاشیه نویسی تصاویر با LabelImg Annotating Images with LabelImg

  • برچسب زدن روی ویدیو با استفاده از LabelImg Labelling on Video Using LabelImg

  • برچسب زدن روی ویدیو با استفاده از Darklabel Labelling on Video Using Darklabel

  • اشیاء را روی این ویدیو برچسب بزنید Label Objects on this Video

  • خلاصه حاشیه نویسی Annotation Summary

  • اطلاعات کلیدی یادداشت برداری Data Annotation Key Takeaway

ایجاد مجموعه داده سفارشی در فرمت YOLOv4 Creating Custom Dataset in YOLOv4 Format

  • مقدمه: نحوه ایجاد مجموعه داده سفارشی Introduction: How to Create Custom Dataset

  • جعبه ابزار برای دانلود مجموعه داده های تصویر Toolkit for Downloading Image Datasets

  • دانلود تصاویر از کلاس های خاص Downloading Images from Specific Classes

  • تبدیل فایل های دانلود شده به فرمت YOLOv4 Converting Downloaded Files to YOLOv4 format

  • افزایش داده ها با استفاده از تبدیل چرخشی Data Augmentation Using Rotational Transform

  • خلاصه - نکات کلیدی برای مجموعه داده های سفارشی Summary - Key Takeaways for Custom Datasets

آموزش YOLOv4 با استفاده از Darknet Framework Training YOLOv4 Using Darknet Framework

  • مقدمه ای بر آموزش YOLOV4 با Darknet Framework Introduction to Training YOLOV4 with Darknet Framework

  • مرحله 1 - پیکربندی فایل ها برای آموزش Step 1 - Configuring the Files for Training

  • مرحله 2 - ایجاد فایل obj.names Step 2 - Creating the obj.names File

  • مرحله 3 - قرار دادن مجموعه داده برای آموزش Step 3 - Dataset Placement for Training

  • مرحله 4 - آموزش متافایل های تست Step 4 - Train Test Metafiles

  • مرحله 5 - آموزش YOLOv4 Step 5 - Training YOLOv4

  • آموزش اجرای YOLOv4 روی تصویر و ویدیو برای تشخیص ماسک Trained YOLOv4 Execution on Image and Video for Mask Detection

  • فعالیت: در مجموعه داده های خود آموزش دهید Activity: Train on Your Own Dataset

  • چه زمانی باید تمرین را متوقف کرد When to Stop Training

  • خلاصه - نکات کلیدی Summary - Key Takeaways

رابط کاربری PyQT برای تشخیص اشیا با YOLOv4 PyQT User Interface for Object Detection with YOLOv4

  • مقدمه ای بر تشخیص اشیا با PyQt Introduction to Object Detection with PyQt

  • در حال نصب PyQt Installing PyQt

  • چیدمان رابط کاربری گرافیکی با استفاده از PyQt Designer GUI Layout Using PyQt Designer

  • ادغام PyQt با YOLOv4 Integrating PyQt with YOLOv4

  • توضیح کد Code Explanation

  • افزودن ویجت های رابط کاربری گرافیکی - شمارش اشیاء Adding GUI Widgets - Counting Objects

  • افزودن ابزارک - آستانه لغزنده Adding Widgets - Slider Threshold

  • افزودن ابزارک - فیلتر کلاس با استفاده از ویجت چک باکس Adding Widgets - Class Filter Using Checkbox Widget

  • افزودن ویجت ها - ویجت نمودار طرح زنده در زمان واقعی Adding Widgets - Real-Time Live Plot Graph Widget

  • فاصله گذاری اجتماعی در فعالیت PyQt Social Distancing in PyQt Activity

  • نتیجه Conclusion

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش بسته کامل دوره YOLOv4 Pro [ویدئو]
جزییات دوره
4 h 42 m
51
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Ritesh Kanjee
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ritesh Kanjee Ritesh Kanjee

استارت آپ های تقویت شده بیش از 8 سال تجربه در طراحی برد مدار چاپی (PCB) و همچنین در پردازش تصویر و کنترل جاسازی شده دارند. نویسنده Ritesh Kanjee مدرک کارشناسی ارشد خود را در مهندسی الکترونیک به پایان رسانده است و دو مقاله در پایگاه داده IEEE منتشر کرده است که یکی به نام "Cruise Control تطبیقی ​​مبتنی بر دید با استفاده از تطبیق الگو" و دیگری به نام "یک چارچوب تشخیص خودرو سه مرحله ای برای تخمین برد با استفاده از یک" دوربین تک" (در Google Scholar). کار او در LabVIEW پیاده سازی شد. او به عنوان یک مهندس الکترونیک جاسازی شده در تحقیقات دفاعی کار می کند و دارای تجربه در طراحی FPGA با برنامه نویسی در VHDL و Verilog است. او همچنین در زمینه واقعیت افزوده و یادگیری ماشین تخصص دارد که در آن باید فناوری‌های جدید را از طریق رسانه ویدیو معرفی کند.