آموزش YOLO برای تشخیص شی با داده های سفارشی

Train YOLO for Object Detection with Custom Data

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: با برچسب‌گذاری، آموزش و آزمایش بر روی تصویر، ویدئو و در زمان واقعی با دوربین، آشکارساز خود را بسازید: YOLO v3 و v4 از قبل آموزش دیده YOLO v3-v4 را برای تشخیص اشیا روی تصویر، ویدئو و در زمان واقعی با مجموعه داده‌ها و ساختار خود برچسب دوربین اعمال کنید. فایل‌ها با فرمت YOLO آموزش آشکارساز YOLO v3-v4 در چارچوب Darknet جمع‌آوری مجموعه داده‌های سفارشی با فرمت YOLO تبدیل مجموعه داده‌های موجود از علائم راهنمایی و رانندگی در قالب YOLO ساخت رابط کاربری گرافیکی PyQt فردی برای تشخیص اشیا بر اساس الگوریتم YOLO v3-v4 پیش نیازها:دانش پایه الگوریتم‌های تشخیص اشیا مبانی نحوه عملکرد YOLO دانش متوسط ​​از Python v3 دانش پایه OpenCV در مورد نحوه کار با محیط‌های Anaconda اصول اولیه نحوه کار با PyCharm IDE یا هر PyCharm IDE دیگر اصول اولیه نحوه کار با پنجره ترمینال یا Anaconda Prompt To نصب لینوکس اوبونتو اختیاری است، اما توصیه می شود

در این دوره آموزشی، آشکارساز شی خود را با استفاده از الگوریتم‌های YOLO v3-v4 آموزش خواهید داد.

  1. در ابتدا، YOLO v3-v4 را که قبلاً آموزش داده اید را روی مجموعه داده COCO پیاده سازی خواهید کرد. شما اشیاء را روی تصویر، ویدئو و در زمان واقعی توسط کتابخانه یادگیری عمیق OpenCV شناسایی خواهید کرد. قالب‌های کد را می‌توانید بعداً در پروژه‌های آینده خود ادغام کنید و از آنها برای آشکارسازهای YOLO آموزش‌دیده خود استفاده کنید.

  2. پس از آن، مجموعه داده‌های فردی را برچسب‌گذاری می‌کنید و همچنین با استخراج تصاویر مورد نیاز از مجموعه داده‌های عظیم موجود، یک مجموعه سفارشی ایجاد می‌کنید.

  3. در مرحله بعد، مجموعه داده علائم ترافیکی را به فرمت YOLO تبدیل خواهید کرد. الگوهای کد برای تبدیل را می‌توانید در کارهای آینده خود تغییر دهید و برای سایر مجموعه‌های داده اعمال کنید.

  4. وقتی مجموعه‌های داده آماده شدند، آشکارسازهای YOLO v3-v4 را در چارچوب Darknet آموزش و آزمایش خواهید کرد.

  5. در مورد قسمت Bonus، شما رابط کاربری گرافیکی برای تشخیص اشیا توسط YOLO و با کمک PyQt ایجاد خواهید کرد. این پروژه را می توانید به عنوان نتایج خود به سرپرست خود معرفی کنید یا در حضور همکلاسی ها ارائه دهید یا حتی آن را در رزومه خود ذکر کنید.

سازمان محتوا . هر بخش از دوره شامل:

است
  • سخنرانی های ویدئویی

  • فعالیت های کدگذاری

  • الگوهای کد

  • آزمون‌ها

  • دستورالعمل های قابل دانلود

  • فرصت های بحث

سخنرانی‌های ویدیویی دوره دارای اهداف هوشمندانه هستند:

S - خاص (سخنرانی اهداف خاصی دارد)

M - قابل اندازه‌گیری (نتایج معقول هستند و می‌توانند کمیت شوند)

الف - قابل دستیابی (سخنرانی دارای مراحل روشنی برای دستیابی به اهداف است)

R - نتیجه گرا (نتایج را می توان تا پایان سخنرانی به دست آورد)

T - زمان گرا (نتایج را می توان در بازه زمانی قابل مشاهده به دست آورد)


سرفصل ها و درس ها

خوش آمدی Welcome

  • معرفی دوره Introduction to the course

  • معرفی دوره Introduction to the course

  • برد سریع - مرحله 1: تشخیص شیء ساده با آستانه گذاری با ماسک Quick Win - Step 1: Simple Object Detection by thresholding with mask

  • برد سریع - مرحله 1: تشخیص شیء ساده با آستانه گذاری با ماسک Quick Win - Step 1: Simple Object Detection by thresholding with mask

  • برد سریع - مرحله 2: تشخیص شیء ساده با آستانه گذاری با ماسک Quick Win - Step 2: Simple Object Detection by thresholding with mask

  • برد سریع - مرحله 2: تشخیص شیء ساده با آستانه گذاری با ماسک Quick Win - Step 2: Simple Object Detection by thresholding with mask

  • فعالیت: بیایید با هم آشنا شویم Activity: Let's get acquainted

  • نصب Miniconda، Python، PyCharm، OpenCV Installing Miniconda, Python, PyCharm, OpenCV

خوش آمدی Welcome

  • فعالیت: بیایید با هم آشنا شویم Activity: Let's get acquainted

  • نصب Miniconda، Python، PyCharm، OpenCV Installing Miniconda, Python, PyCharm, OpenCV

تشخیص اشیا با YOLO v3-v4 Objects Detection with YOLO v3-v4

  • مقدمه: تفاوت بین رویکردها چیست؟ Introduction: What are the differences between approaches?

  • تشخیص اشیاء در تصویر با YOLO v3 و OpenCV Objects Detection on Image with YOLO v3 and OpenCV

  • فعالیت: تشخیص اشیاء در این تصویر Activity: Detect Objects on this image

  • فعالیت: تشخیص اشیاء در این تصویر Activity: Detect Objects on this image

  • تشخیص اشیاء در ویدیو با YOLO v3 و OpenCV Objects Detection on Video with YOLO v3 and OpenCV

  • فعالیت: شناسایی اشیاء در این ویدیو Activity: Detect Objects on this video

  • فعالیت: شناسایی اشیاء در این ویدیو Activity: Detect Objects on this video

  • تشخیص اشیاء در زمان واقعی با YOLO v3 و OpenCV Objects Detection in Real Time with YOLO v3 and OpenCV

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای تشخیص اشیا با کتابخانه dnn در OpenCV Conclusion: key takeaways for Objects Detection with dnn library in OpenCV

  • نتیجه گیری: نکات کلیدی برای تشخیص اشیا با کتابخانه dnn در OpenCV Conclusion: key takeaways for Objects Detection with dnn library in OpenCV

  • YOLO v4: دستورالعمل YOLO v4: instructions

  • YOLO v4: دستورالعمل YOLO v4: instructions

تشخیص اشیا با YOLO v3-v4 Objects Detection with YOLO v3-v4

  • مقدمه: تفاوت بین رویکردها چیست؟ Introduction: What are the differences between approaches?

  • تشخیص اشیاء در تصویر با YOLO v3 و OpenCV Objects Detection on Image with YOLO v3 and OpenCV

  • تشخیص اشیاء در ویدیو با YOLO v3 و OpenCV Objects Detection on Video with YOLO v3 and OpenCV

  • تشخیص اشیاء در زمان واقعی با YOLO v3 و OpenCV Objects Detection in Real Time with YOLO v3 and OpenCV

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • YOLO v4: دستورالعمل YOLO v4: instructions

برچسب گذاری مجموعه داده جدید در قالب YOLO Labelling new dataset in YOLO format

  • مقدمه: حاشیه نویسی داده ها Introduction: Data Annotation

  • تصویر برچسب گذاری شده در فرمت YOLO چگونه به نظر می رسد؟ How does labelled image in YOLO format looks like?

  • تصویر برچسب گذاری شده در فرمت YOLO چگونه به نظر می رسد؟ How does labelled image in YOLO format looks like?

  • منابع مفید برای برچسب زدن Useful resources for labelling

  • منابع مفید برای برچسب زدن Useful resources for labelling

  • برچسب زدن تصویر در فرمت YOLO Labelling image in YOLO format

  • برچسب زدن تصویر در فرمت YOLO Labelling image in YOLO format

  • فعالیت: اشیاء را روی این تصویر برچسب بزنید Activity: Label Objects on this image

  • فعالیت: اشیاء را روی این تصویر برچسب بزنید Activity: Label Objects on this image

  • برچسب زدن ویدیو در قالب YOLO Labelling video in YOLO format

  • فعالیت: روی این ویدیو اشیاء را برچسب بزنید Activity: Label Objects on this video

  • فعالیت: روی این ویدیو اشیاء را برچسب بزنید Activity: Label Objects on this video

  • آماده سازی فایل برای آموزش Preparing files for training

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای برچسب گذاری داده ها در قالب YOLO Conclusion: key takeaways for labelling data in YOLO format

  • YOLO v4: دستورالعمل YOLO v4: instructions

برچسب گذاری مجموعه داده جدید در قالب YOLO Labelling new dataset in YOLO format

  • مقدمه: حاشیه نویسی داده ها Introduction: Data Annotation

  • برچسب زدن ویدیو در قالب YOLO Labelling video in YOLO format

  • آماده سازی فایل برای آموزش Preparing files for training

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای برچسب گذاری داده ها در قالب YOLO Conclusion: key takeaways for labelling data in YOLO format

  • YOLO v4: دستورالعمل YOLO v4: instructions

ایجاد مجموعه داده سفارشی در قالب YOLO Creating custom dataset in YOLO format

  • مقدمه: چگونه مجموعه داده سفارشی ایجاد کنیم؟ Introduction: How to create custom dataset?

  • جعبه ابزار برای دانلود تصاویر Toolkit for downloading images

  • دانلود تصاویر از مجموعه داده عظیم Downloading images from huge dataset

  • فعالیت: دانلود تصاویر برای این کلاس ها Activity: Download Images for these classes

  • فعالیت: دانلود تصاویر برای این کلاس ها Activity: Download Images for these classes

  • تبدیل فایل های دانلود شده به فرمت YOLO Converting downloaded files to YOLO format

  • آماده سازی فایل برای آموزش Preparing files for training

  • پیوستن به مجموعه داده ها برای آموزش Joining datasets for training

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای ایجاد مجموعه داده سفارشی و تبدیل آن به YOLO Conclusion: key takeaways for creating custom dataset and converting it to YOLO

  • YOLO v4: دستورالعمل YOLO v4: instructions

ایجاد مجموعه داده سفارشی در قالب YOLO Creating custom dataset in YOLO format

  • مقدمه: چگونه مجموعه داده سفارشی ایجاد کنیم؟ Introduction: How to create custom dataset?

  • جعبه ابزار برای دانلود تصاویر Toolkit for downloading images

  • دانلود تصاویر از مجموعه داده عظیم Downloading images from huge dataset

  • تبدیل فایل های دانلود شده به فرمت YOLO Converting downloaded files to YOLO format

  • آماده سازی فایل برای آموزش Preparing files for training

  • پیوستن به مجموعه داده ها برای آموزش Joining datasets for training

  • نتیجه گیری: نکات کلیدی برای ایجاد مجموعه داده سفارشی و تبدیل آن به YOLO Conclusion: key takeaways for creating custom dataset and converting it to YOLO

  • YOLO v4: دستورالعمل YOLO v4: instructions

تبدیل مجموعه داده های علائم ترافیکی در قالب YOLO Converting Traffic Signs dataset in YOLO format

  • مقدمه: یک مجموعه داده سفارشی دیگر باید تبدیل شود Introduction: One more custom dataset to be converted

  • مقدمه: یک مجموعه داده سفارشی دیگر باید تبدیل شود Introduction: One more custom dataset to be converted

  • دانلود مجموعه داده علائم راهنمایی و رانندگی Downloading Traffic Signs dataset

  • تبدیل مجموعه داده علائم ترافیکی دانلود شده به فرمت YOLO Converting downloaded Traffic Signs dataset to YOLO format

  • آماده سازی فایل برای آموزش Preparing files for training

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای تبدیل مجموعه داده علائم راهنمایی و رانندگی در قالب YOLO Conclusion: key takeaways for converting Traffic Signs dataset in YOLO format

  • YOLO v4: دستورالعمل YOLO v4: instructions

تبدیل مجموعه داده های علائم ترافیکی در قالب YOLO Converting Traffic Signs dataset in YOLO format

  • دانلود مجموعه داده علائم راهنمایی و رانندگی Downloading Traffic Signs dataset

  • تبدیل مجموعه داده علائم ترافیکی دانلود شده به فرمت YOLO Converting downloaded Traffic Signs dataset to YOLO format

  • آماده سازی فایل برای آموزش Preparing files for training

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای تبدیل مجموعه داده علائم راهنمایی و رانندگی در قالب YOLO Conclusion: key takeaways for converting Traffic Signs dataset in YOLO format

  • YOLO v4: دستورالعمل YOLO v4: instructions

آموزش YOLO v3-v4 در چارچوب Darknet Training YOLO v3-v4 in Darknet framework

  • مقدمه: چارچوب دارک نت چیست؟ Introduction: What is Darknet framework?

  • نصب دارک نت Installing Darknet

  • نصب دارک نت Installing Darknet

  • بررسی نصب Checking installation

  • بررسی نصب Checking installation

  • آماده سازی فایل برای آموزش Preparing files for training

  • راه اندازی فایل های پیکربندی Setting up configuration files

  • راه اندازی فایل های پیکربندی Setting up configuration files

  • فرآیند تمرین دویدن Running training process

  • چه زمانی تمرین را متوقف کنیم؟ When do we stop training?

  • چه زمانی تمرین را متوقف کنیم؟ When do we stop training?

  • فعالیت: مدل های سفارشی آموزش دیده را روی این تصاویر تست کنید Activity: Test trained custom models on these images

  • فعالیت: مدل های سفارشی آموزش دیده را روی این ویدیوها تست کنید Activity: Test trained custom models on these videos

  • فعالیت: مدل های سفارشی آموزش دیده را روی این ویدیوها تست کنید Activity: Test trained custom models on these videos

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • نتیجه گیری: نکات کلیدی برای آموزش YOLO v3 در چارچوب Darknet Conclusion: key takeaways for training YOLO v3 in Darknet framework

  • نتیجه گیری: نکات کلیدی برای آموزش YOLO v3 در چارچوب Darknet Conclusion: key takeaways for training YOLO v3 in Darknet framework

  • YOLO v4: دستورالعمل YOLO v4: instructions

آموزش YOLO v3-v4 در چارچوب Darknet Training YOLO v3-v4 in Darknet framework

  • مقدمه: چارچوب دارک نت چیست؟ Introduction: What is Darknet framework?

  • آماده سازی فایل برای آموزش Preparing files for training

  • فرآیند تمرین دویدن Running training process

  • فعالیت: مدل های سفارشی آموزش دیده را روی این تصاویر تست کنید Activity: Test trained custom models on these images

  • امتحان: بهترین شیوه ها برای چیست؟ Quiz: What are the best practices for

  • YOLO v4: دستورالعمل YOLO v4: instructions

ساخت رابط کاربری PyQt برای تشخیص اشیا با YOLO v3-v4 Building PyQt user interface for Objects Detection with YOLO v3-v4

  • کلمه تبریک و خلاصه مهارت های آموخته شده Congratulation word and recap of learned skills

  • کلمه تبریک و خلاصه مهارت های آموخته شده Congratulation word and recap of learned skills

  • بعدی چیه؟ What is next?

  • بعدی چیه؟ What is next?

  • نصب PyQt برای ساخت رابط کاربری Installing PyQt for building user interface

  • ایجاد رابط PyQt Creating PyQt interface

  • ادغام YOLO v3 در رابط PyQt Integrating YOLO v3 into PyQt interface

  • اجرای آزمایش ها با رابط PyQt برای تشخیص اشیا Running experiments with PyQt interface for Objects Detection

  • اجرای آزمایش ها با رابط PyQt برای تشخیص اشیا Running experiments with PyQt interface for Objects Detection

  • YOLO v4: دستورالعمل YOLO v4: instructions

  • YOLO v4: دستورالعمل YOLO v4: instructions

ساخت رابط کاربری PyQt برای تشخیص اشیا با YOLO v3-v4 Building PyQt user interface for Objects Detection with YOLO v3-v4

  • نصب PyQt برای ساخت رابط کاربری Installing PyQt for building user interface

  • ایجاد رابط PyQt Creating PyQt interface

  • ادغام YOLO v3 در رابط PyQt Integrating YOLO v3 into PyQt interface

  • YOLO v4: دستورالعمل YOLO v4: instructions

چگونه کار می کند؟ How does it work?

  • YOLO v3 چگونه کار می کند؟ How does YOLO v3 work?

  • امتحان: YOLO v3 Quiz: YOLO v3

چگونه کار می کند؟ How does it work?

  • YOLO v3 چگونه کار می کند؟ How does YOLO v3 work?

  • امتحان: YOLO v3 Quiz: YOLO v3

YOLO نسخه 4 YOLO v4

  • نحوه آموزش YOLO v4: دستورالعمل How to train YOLO v4: Instructions

  • نحوه آموزش YOLO v4: دستورالعمل How to train YOLO v4: Instructions

YOLO نسخه 4 YOLO v4

نمایش نظرات

نظری ارسال نشده است.

آموزش YOLO برای تشخیص شی با داده های سفارشی
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
7 hours
58
Udemy (یودمی) udemy-small
25 خرداد 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
5,628
4.6 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Valentyn Sichkar Valentyn Sichkar

بینایی کامپیوتر، یادگیری ماشین، پردازش تصویر

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.