آموزش MLOP: برنامه وب تشخیص چهره مبتنی بر ML در Flask & Deploy

MLOPs: ML based Face Recognition Web App in Flask & Deploy

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ایجاد یک پروژه تشخیص چهره از ابتدا با Python، OpenCV، الگوریتم های یادگیری ماشین، Flask، Heroku استفاده از تشخیص خودکار چهره در تصاویر و ویدیوها شناسایی خودکار چهره ها از تصاویر و ویدیوها ارزیابی و تنظیم یادگیری ماشین ساخت مدل یادگیری ماشین برای طبقه بندی ساخت مدل Pipeline برای استقرار برنامه شما پردازش تصویر با OpenCV پیش پردازش داده برای تصاویر ایجاد REST API در قالب Flask وراثت در Flask یکپارچه سازی مدل یادگیری ماشین در برنامه Flask استقرار برنامه Flask در Heroku Cloud پیش نیازها: حداقل باید سطح مبتدی در پایتون باشد قادر به درک HTML و درک اساسی CSS از مفاهیم یادگیری ماشین

MLOP: برنامه وب تشخیص چهره مبتنی بر هوش مصنوعی در Flask Deploy

تشخیص چهره یکی از پرکاربردترین ها در برنامه من است. اگر اصلاً می خواهید برنامه را توسعه دهید و در وب استقرار دهید، فقط دانش یادگیری ماشین یا یادگیری عمیق کافی نیست. همچنین باید نحوه ایجاد معماری خط لوله را بدانید و آن را از سمت مشتری، درخواست HTTP و بسیاری موارد دیگر فراخوانی کنید. در حین انجام این کار، ممکن است هنگام توسعه برنامه با چالش های زیادی روبرو شوید. ساختار این دوره به گونه ای است که می توانید برنامه وب مبتنی بر تشخیص چهره را از ابتدا توسعه دهید.

چه چیزی یاد خواهید گرفت؟

  1. پایتون

  2. پردازش تصویر با OpenCV

  3. پیش پردازش داده های تصویر

  4. تجزیه و تحلیل داده های تصویر

  5. چهره های ویژه با PCA

  6. مدل طبقه‌بندی تشخیص چهره با ماشین‌های بردار پشتیبان

  7. مدل خط لوله

  8. Flask (قالب Jinja، HTML، CSS، روش‌های HTTP)

  9. توسعه وب تشخیص چهره

  10. برنامه Flask را در Cloud (Heroku) مستقر کنید


شما تکنیک های پردازش تصویر را در OpenCV و مفاهیم پشت تصاویر یاد خواهید گرفت. ما همچنین تجزیه و تحلیل تصویر لازم و مراحل پیش پردازش مورد نیاز برای تصاویر را انجام خواهیم داد.

برای تصاویر پیش پردازش، ویژگی هایی را از تصاویر استخراج می کنیم، به عنوان مثال. محاسبه تصاویر Eigen با استفاده از تجزیه و تحلیل مؤلفه اصلی با تصاویر Eigen، مدل یادگیری ماشین را آموزش می‌دهیم و همچنین یاد می‌گیریم که مدل خود را قبل از استقرار آزمایش کنیم، برای دریافت بهترین نتایج از مدلی که با روش جستجوی Grid برای بهترین هایپرپارامترها تنظیم می‌کنیم.

هنگامی که مدل یادگیری ماشین ما آماده شد، با رندر کردن HTML CSS و بوت استرپ در فرانت‌اند و در باطن نوشته شده در پایتون، یک interphase دروازه وب سرور را در فلاسک یاد می‌گیریم و توسعه می‌دهیم. در نهایت، با ادغام مدل یادگیری ماشین در برنامه Flask، پروژه را در پروژه تشخیص چهره ایجاد خواهیم کرد.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • اجزای پروژه تشخیص چهره Face Recognition Project Components

  • دانلود همه منابع Download all Resourses

  • پایتون را نصب کنید Install Python

  • الگوی تشخیص چهره کلون Clone Face Recognition Template

  • ایجاد و نصب محیط و بسته‌های مجازی Create and Install Virtual Environment & Packages

  • گام بعدی Next step

پردازش تصویر با OpenCV Image Processing with OpenCV

  • OpenCV & Image OpenCV & Image

  • پردازش تصویر چیست (استخراج اطلاعات) What is Processing an Image (Information Extraction)

  • دانلود منابع Download Resources

  • OpenCV: ارزش ها و پیکسل ها OpenCV: Values & Pixels

  • OpenCV: مقادیر و پیکسل ها (مثال دیگری) OpenCV: Values & Pixels (Another Example)

  • OpenCV: خواندن تصویر OpenCV: Read Image

  • OpenCV: پیکسل ها در تصویر OpenCV: Pixels in Image

  • OpenCV: نمایش تصویر OpenCV: Display Image

  • OpenCV: فضای رنگ OpenCV: Color Space

  • OpenCV: مقیاس خاکستری OpenCV: Grayscale

  • تغییر اندازه تصویر Image Resizing

  • شناسایی چهره Face Detection

  • کار روی ویدیوها Working on Videos

مدل تشخیص چهره را با یادگیری ماشینی از ابتدا توسعه دهید Develop Face Recognition Model with Machine Learning from Scratch

  • معرفی مدل تشخیص چهره Face Recognition Model Introduction

  • دانلود منابع Download Resources

  • درباره دیتا About Data

  • جریان آموزش تشخیص چهره Face Recognition Training Flow

  • پیش پردازش داده: ایده تشخیص و برش چهره Data Preprocess : Idea of Detect & Crop Face

  • پیش پردازش داده ها: داده ها را دریافت کنید Data Preprocessing: Get Data

  • پیش پردازش داده: کتابخانه های مورد نیاز را وارد کنید Data Preprocessing: Import Required Libraries

  • پیش پردازش داده: فهرست مسیر همه تصاویر را دریافت کنید Data Preprocess: Get List of path of all Images

  • پیش پردازش داده: تشخیص چهره با طبقه‌بندی کننده آبشار Haar Data Preprocess: Detect Face with Haar Cascade Classifier

  • پیش پردازش داده: چهره شناسایی شده برش Data Preprocess: Crop Detected Face

  • پیش پردازش داده: همه چهره ها را برش دهید Data Preprocess: Crop All Faces

  • پیش پردازش داده ها: ایده ساختاربندی تصاویر Data Preprocess: Idea of Structuring Images

  • پیش پردازش داده: ساختار داده بخش - 1 Data Preprocessing: Structuring Data Part - 1

  • پیش پردازش داده ها: تجزیه و تحلیل داده های اکتشافی Data Preprocessing: Exploratory Data Analysis

  • پیش پردازش داده: تصاویر با وضوح پایین را فیلتر کنید و تصاویر را تغییر اندازه دهید Data Preprocessing: Filter Low Resolution Images and Resize images

  • پیش پردازش داده ها: ساختار تمام تصاویر Data Preprocessing: Structure all Images

  • Eigen Face: Flow Eigen Face: Flow

  • Eigen: Mean Face و PCA Eigen: Mean Face and PCA

  • Eigen Face: اجزای بهینه را برای PCA دریافت کنید Eigen Face: Get Optimal components for PCA

  • Eigen Face: ذخیره مدل PCA ML Eigen Face: Save PCA ML model

  • Eigen Face: صورت خاص را تجسم کنید Eigen Face: Visualize Eigen Face

  • مدل تشخیص چهره قطار قسمت - 1 Train Face Recognition Model Part - 1

  • مدل تشخیص چهره قطار - قسمت 2 Train Face Recognition Model - Part 2

  • مدل تشخیص چهره قطار قسمت - 3 Train Face Recognition Model Part - 3

  • بهترین برآوردگر Best Estimator

  • ارزیابی مدل Model Evaluation

  • ذخیره مدل تشخیص چهره Save Face Recognition Model

  • خط لوله تشخیص چهره قسمت 1 Face Recognition Pipeline part 1

  • خط لوله تشخیص چهره قسمت 2 Face Recognition Pipeline part 2

  • خط لوله تشخیص چهره قسمت 3 Face Recognition Pipeline part 3

  • خط لوله تشخیص چهره قسمت 4 Face Recognition Pipeline part 4

  • خط لوله تشخیص چهره قسمت 5 Face Recognition Pipeline part 5

  • پیش بینی قسمت -1 Predictions part -1

  • پیش بینی قسمت -2 Predictions part -2

  • پیش بینی قسمت -3 Predictions part -3

پروژه تشخیص چهره (ادغام مدل HTML به برنامه Flask) Face Recognition Project (Integrating HTML Model to Flask App)

  • دانلود منابع Download Resources

  • اپلیکیشن وب تشخیص چهره Face Recognition Web App

  • کد ویژوال استودیو را نصب کنید Install Visual Studio Code

  • ساختار پوشه Folder Structure

  • main.py (اتصال به محیط مجازی) main.py (connect to virtual environment)

  • main.py - برنامه اصلی main.py - basic app

  • views.py و قانون url را اضافه کنید views.py and add url rule

  • base.html قسمت 1 base.html part-1

  • base.html قسمت 2 base.html part-2

  • صفحه نخست Home page

  • صفحه برنامه App Page

  • صفحه برنامه جنسیت Gender App Page

  • صفحه برنامه جنسیت قسمت 2 Gender App Page part 2

  • صفحه برنامه جنسیت قسمت 3 Gender App Page part 3

  • صفحه برنامه جنسیت قسمت 4 Gender App Page part 4

  • برنامه نهایی Final App

استقرار برنامه وب در Heroku Cloud Deploy Web App in Heroku Cloud

  • آماده شدن برای استقرار Getting ready for Deployment

  • Git را نصب کنید Install Git

  • کد راه اندازی برای استقرار Setup Code for Deployment

  • کد را به GitHub فشار دهید Push code to GitHub

  • برنامه Flask را اجرا کنید Deploy Flask App

  • برنامه شما در Heroku مستقر شد You App Deployed in Heroku

ضمیمه - دوره سقوط پایتون Appendix - Python Crash Course

  • منابع را دانلود کنید Download the Resources

  • در Jupyter Notebook قدم بزنید Walk through on Jupyter Notebook

  • چاپ بیانیه ها Print Statements

  • کلیدهای Escape و Insert Escape and Insert keys

  • متغیرها و تکالیف Variables & Assignments

  • انواع داده ها Data Types

  • نوع داده Casting Data Type Casting

  • فهرست کنید List

  • فهرست روش ها List Methods

  • چندتایی Tuple

  • مجموعه ها Sets

  • لغت نامه ها Dictionaries

  • در اپراتور in operator

  • اپراتور پلاس plus operator

  • توابع تعریف شده توسط کاربر User Defined Functions

  • بیانیه های کنترل (در صورت دیگری) Control Statements (if else)

  • محدوده و زیپ Range & Zip

  • برای حلقه For Loop

  • مرجع پایتون Python Reference

[اختیاری]: دوره سقوط فلاسک [Optional]: Flask Crash Course

  • معرفی Introduction

  • نصب فلاسک و کد ویژوال استودیو Installing Flask and Visual Studio Code

  • اولین برنامه Flask شما Your First Flask App

  • مسیریابی فلاسک Flask Routing

  • ساخت URL URL Building

  • الگوهای فلاسک جینجا - قسمت 1 Flask Jinja Templates - Part 1

  • قالب های فلاسک جینجا - قسمت 2 Flask Jinja Templates - Part 2

  • قالب های فلاسک جینجا - قسمت 3 Flask Jinja Templates - Part 3

  • وراثت قالب Template Inheritance

  • فایل های استاتیک (CSS، JS) Static Files ( CSS, JS)

  • روش های Http در فلاسک Http Methods in Flask

  • آپلود فایل در فلاسک File Upload in Flask

نکات اضافی Extra Tips

  • محیط پایتون را به محیط مجازی در کد ویژوال استودیو متصل کنید Connect Python Environment to Virtual Environment in Visual Studio Code

  • کتاب های مرجع و PDF Reference Books and PDFs

سخنرانی پاداش Bonus Lecture

  • سخنرانی پاداش: مراحل بعدی Bonus Lecture: Next Steps

نمایش نظرات

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.

آموزش MLOP: برنامه وب تشخیص چهره مبتنی بر ML در Flask & Deploy
جزییات دوره
10.5 hours
111
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
23,596
4.3 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Data Science Anywhere Team Data Science Anywhere Team

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

Sudhir G Sudhir G

Data ScientistSudhir یک دانشمند باتجربه با سابقه کار در صنعت فناوری اطلاعات و خدمات است. ماهر در یادگیری ماشین ، یادگیری عمیق ، الگوریتم های آماری که بیشتر روی پردازش تصویر و برنامه پردازش زبان طبیعی کار می کند. وی همچنین با موفقیت بسیاری از پروژه های مربوط به دانش داده را در سیستم عامل های ابری به عنوان یک سرویس مستقر کرد. حرفه ای مهندسی قوی با مدرک لیسانس متمرکز بر مهندسی برق و الکترونیک.

Srikanth Gusksra Srikanth Gusksra

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

Convolution Academy Convolution Academy

تیم