لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش YOLO: برنامه تشخیص خودکار پلاک خودرو و استخراج متن
YOLO: Automatic License Plate Detection & Extract text App
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش توسعه تشخیص اشیاء پلاک خودرو، OCR و ایجاد پروژه وب اپلیکیشن با استفاده از یادگیری عمیق، TensorFlow 2، تشخیص اشیاء فلاسک از روی خراش تشخیص پلاک خودرو استخراج متن از تصویر با استفاده از Tesseract Train InceptionResnet V2 در TensorFlow 2 برای تشخیص اشیاء با برچسب API Web Object Flask. تشخیص داده ها با استفاده از ابزار حاشیه نویسی تصویر آموزش مدل سفارشی YOLO از ابتدا تشخیص پلاک خودرو در زمان واقعی با YOLO پیش نیازها: دانش پایه در پایتون دانش یادگیری عمیق با اصول TensorFlow در HTML
به NUMBER PLATE DETECTION AND OCR خوش آمدید: ADEEP LEARNING WEB APP PROJECT از ابتدا
پردازش تصویر و تشخیص اشیا یکی از حوزه های علم داده است و کاربردهای بسیار متنوعی در صنایع در دنیای کنونی دارد. بسیاری از صنایع به دنبال دانشمند داده با این مهارت ها هستند. این دوره تکنیکهای مدلسازی از جمله برچسبگذاری دادههای تشخیص شی (تصاویر)، پیش پردازش داده، ساخت مدل یادگیری عمیق (InceptionResNet V2)، ارزیابی و تولید (برنامه وب) را پوشش میدهد.
ما این دوره آموزشی Project Architecture را شروع می کنیم که برای توسعه این برنامه در پایتون دنبال شد. سپس نحوه جمعآوری دادهها و تصاویر l abel را برای تشخیص اشیاء برای پلاک یا شماره پلاک با استفاده از ابزار حاشیهنویسی تصویر که نرمافزار منبع باز توسعهیافته در رابط کاربری گرافیکی پایتون (pyQT) است، نشان خواهم داد.
سپس پس از اینکه تصویر را برچسب گذاری کردیم، روی پیش پردازش داده ها کار می کنیم، مدل تشخیص اشیا یادگیری عمیق (InceptionResnet V2) را در TensorFlow 2 می سازیم و آموزش می دهیم. هنگامی که مدل با بهترین ضرر آموزش داده شد، مدل را ارزیابی خواهیم کرد. من به شما نشان خواهم داد که چگونه
را محاسبه کنید
تقاطع روی اتحاد (IoU)
دقت مدل تشخیص شی.
هنگامی که مدل تشخیص اشیا را انجام دادیم، سپس با استفاده از این مدل، تصویری را که حاوی پلاک است که منطقه مورد نظر (ROI) نیز نامیده میشود، برش میدهیم و ROI را به API تشخیص نویسه نوری Tesseract منتقل میکنیم. پایتون (Pytesseract). در این مدل نحوه استخراج متن از تصاویر را به شما نشان می دهم. اکنون، همه آن ها را کنار هم می گذاریم و یک مدل یادگیری عمیق Pipeline می سازیم.
در ماژول نهایی، ایجاد یک پروژه برنامه وب با استفاده از FLASK Python را یاد خواهیم گرفت. در ابتدا، مفاهیم اولیه در Flask مانند مسیریابی URL، رندر قالب، وراثت قالب و غیره را یاد می گیریم. سپس وب سایت خود را با استفاده از HTML، Bootstrap ایجاد می کنیم. با آن ما در نهایت با برنامه خود آماده هستیم.
چه چیزی یاد خواهید گرفت؟
ساخت پروژه در برنامه نویسی پایتون
برچسب گذاری تصویر برای تشخیص شی
مدل تشخیص شی قطار (InceptionResNet V2) در TensorFlow 2.x
ارزیابی مدل
تشخیص کاراکتر نوری با Pytesseract
Flask API
توسعه برنامه وب Flask در HTML، Boostrap، Python
مدل YOLO را با داده های سفارشی آموزش دهید
برنامه وب را توسعه دهید و مدل YOLO را ادغام کنید
ما می دانیم که برنامه وب مبتنی بر دید کامپیوتری یکی از آن موضوعاتی است که همیشه شک و تردیدهایی را به وجود می آورد. به راحتی می توانید سوالات خود را در QA بپرسید و ما بسیار خوشحالیم که به همه سوالات شما پاسخ می دهیم.
ما همچنین همه Notebookها، فایلهای py را در منابع ارائه کردیم که برای مرجع مفید خواهند بود.
سرفصل ها و درس ها
معرفی
Introduction
معرفی
Introduction
معماری پروژه
Project Architecture
آناکوندا پایتون را نصب کنید
Install Anaconda Python
OpenCV و TensorFlow 2.x را نصب کنید
Install OpenCV and TensorFlow 2.x
منابع را دانلود کنید
Download the Resources
با مشکلی در دوره مواجه هستید؟ راه حل اینجاست
Facing Any issue with the Course ? here is the solution.
تیم مهندس و توسعه دهندگان سلام ، ما تیمی متشکل از کارشناسان یادگیری ماشین ، توسعه دهندگان هوش مصنوعی هستیم که با هم همکاری می کنند تا وضعیت هنر هوش مصنوعی را پیشرفت دهند. وقتی دوره های جدید آزاد می شوید ، با پرسش و پاسخ و بسیاری موارد دیگر از ما می شنوید. ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. با تشکر، تیم Data Science Anywhere
توسعه دهنده هوش مصنوعی سلام به همه ، ما تیم دانشمندان داده هستیم و در طول دوره با شما همراه خواهیم بود. ما به تمام س yourالات شما در رابطه با دوره پاسخ خواهیم داد و اگر در اجرای کد ساختار دارید ، به شما کمک می کنیم خطاها را برطرف کنید. بسیار سپاسگزارم و یادگیری مبارک. علم داده در هر کجا
نمایش نظرات