آموزش تشخیص ماسک صورت: برنامه دسکتاپ مبتنی بر یادگیری عمیق

دانلود Face Mask Recognition: Deep Learning based Desktop App

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش و ساخت تشخیص چهره برای برنامه دسکتاپ تشخیص ماسک با استفاده از Python، TensorFlow 2، OpenCV، PyQT، تشخیص چهره Qt برای تشخیص ماسک با یادگیری عمیق توسعه شبکه Convolutional Network برای ماسک صورت از ابتدا با استفاده از TensorFlow پیش پردازش داده های بزرگ برای تصویر OpenC Detection Computer Vision Desktop Application با PyQt PyQt Essential Concepts پیش نیازها: دانش پایه پایتون آشنا با Tensor Flow و Deep Learning آشنا با Numpy و Pandas

پروژه ای که در حال توسعه آن خواهید بود:

پیش نیاز پروژه: OpenCV

  1. پردازش تصویر با OpenCV

بخش -0: راه اندازی پروژه

  1. پایتون را نصب کنید

  2. وابسته ها را نصب کنید

بخش -1: پیش پردازش داده

  1. تصاویر جمع آوری کنید

  2. فقط چهره‌ها را از تصاویر استخراج کنید

  3. برچسب گذاری (خروجی هدف) تصاویر

  4. پیش پردازش داده

    1. تصویر تفریق میانگین RGB

بخش - 2: توسعه مدل یادگیری عمیق

  1. آموزش تشخیص چهره با مدل یادگیری عمیق OWN.

    1. شبکه عصبی کانولوشنال

  2. ارزیابی مدل

بخش - 3: پیش بینی با مدل CNN

1. قرار دادن همه با هم


بخش - 4: مبانی PyQT

بخش -5: برنامه دسکتاپ مبتنی بر PyQt


نمای کلی:

من دوره را با نصب پایتون و نصب کتابخانه های لازم در پایتون برای توسعه پروژه پایان به انتها شروع می کنم. سپس یکی از پیش نیازهای دوره یعنی تکنیک های پردازش i mage در OpenCV و مفاهیم ریاضی پشت تصاویر را به شما آموزش می دهم. همچنین تجزیه و تحلیل تصویر لازم و مراحل پیش پردازش مورد نیاز برای تصاویر را انجام خواهیم داد. سپس یک پروژه کوچک در تشخیص چهره با استفاده از OpenCV و شبکه های عصبی عمیق انجام خواهیم داد.

با مفاهیم اولیه تصویر، سپس فاز 1 پروژه خود را شروع می کنیم، شناسایی چهره. من این مرحله را با پیش پردازش تصاویر شروع می کنم، با استفاده از شبکه های عصبی عمیق ویژگی هایی را از تصاویر استخراج می کنیم. سپس با ویژگی های چهره، مدل های مختلف یادگیری عمیق مانند شبکه عصبی کانولوشن را آموزش خواهیم داد. من انتخاب مدل و تنظیم هایپرپارامتر برای مدل های تشخیص چهره را به شما آموزش می دهم

هنگامی که مدل یادگیری عمیق ما آماده شد، به بخش 3 منتقل می‌شویم و کد پیش‌بینی‌ها را با مدل CNN می‌نویسیم.

در نهایت، ما برنامه دسکتاپ را توسعه می‌دهیم و پخش زنده ویدیو را پیش‌بینی می‌کنیم.

منتظر چه هستید؟ دوره را با استفاده از یادگیری ماشینی، پایتون، پروژه برنامه کاربردی Computer Vision Flask Desktop خود را توسعه دهید و آن را با دستان خود در Cloud مستقر کنید.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • با مشکلی در دوره مواجه هستید؟ راه حل اینجاست Facing any issue with course? Here is the solution

راه اندازی پروژه Setting Up Project

  • پایتون را نصب کنید Install Python

  • ایجاد محیط مجازی در پایتون Create Virtual Environment in Python

  • کتابخانه هایی مانند TensorFlow 2، OpenCV و غیره را نصب کنید. Install Libraries like TensorFlow 2, OpenCV etc.

آماده سازی و پیش پردازش داده ها Data Preparation & Preprocessing

  • دانلود منابع Download Resources

  • داده ها Data

  • فرآیند آماده سازی داده ها Data Preparation Process

  • دانلود داده ها از منابع Downloading Data From Resources

  • آماده سازی داده ها: کتابخانه های مورد نیاز پایتون را وارد کنید Data Preparation: Import Required Python Libraries

  • آماده سازی داده: تمام مسیر تصاویر را در پوشه دریافت کنید Data Preparation: Get all Images Path in Folder

  • آماده سازی داده ها: برچسب گذاری Data Preparation: Labeling

  • آماده‌سازی داده‌ها: مسیر تصاویر و برچسب‌گذاری تصاویر را در چندین پوشه دریافت کنید Data Preparation: Get Images Path and Labelling Images in multiple Folders

  • مرحله - 3، تشخیص چهره Step - 3, Face Detection

  • تشخیص چهره: خواندن تصویر Face Detection: Read Image

  • تشخیص چهره: مدل بار Face Detection: Load Model

  • تشخیص چهره: لکه از تصویر Face Detection: Blob from Image

  • باکس مرزی برای چهره شناسایی شده را بکشید Draw Bounding Box for Detected Face

  • مرحله - 4، چهره شناسایی شده را برش دهید Step - 4, Crop the Detected Face

  • مرحله - 5، پردازش تصویر - حباب از تصویر (تصویر تفریق میانگین RGB) Step - 5, Image Processing - Blob from Image (RGB mean subtraction image)

  • مرحله - 5، پردازش تصویر - چرخاندن و چرخاندن تصویر Step - 5, Image Processing - Rotate & Flip Image

  • مرحله -5، مقادیر منفی را حذف کرده و عادی کنید Step -5, Remove Negative values and Normalize

  • فرآیند آماده سازی داده ها را برای همه تصاویر اعمال کنید Apply Data Preparation process to All images

  • مرحله - 6، داده های از پیش پردازش شده را در Numpy zip ذخیره کنید Step - 6, Save Preprocessed Data in Numpy zip

مدل تشخیص چهره برای شناسایی ماسک با یادگیری عمیق Face Recognition Model for Mask Identification with Deep Learning

  • داده های Numpy Zip را در نوت بوک بارگیری کنید Load Numpy Zip Data into Notebook

  • یک کدگذاری داغ برای متغیر هدف یا خروجی (y) One Hot Encoding to target or output variable (y)

  • داده ها را به مجموعه های Train و Test تقسیم کنید Split the Data into Train and Test sets

  • معماری شبکه عصبی کانولوشنال Convolutional Neural Network Architecture

  • مدل CNN را در TensorFlow 2 توسعه دهید Develop CNN model in TensorFlow 2

  • کامپایل مدل CNN، تنظیم Adam Optimizer & Loss Function Compile CNN model, Setting Adam Optimizer & Loss Function

  • مدل قطار CNN Train CNN model

  • ارزیابی از دست دادن مدل Model Loss Evaluation

  • ذخیره مدل یادگیری عمیق در TensorFlow Save Deep Learning Model in TensorFlow

  • ذخیره مدل TensorFlow Save TensorFlow model

پیش بینی با مدل تشخیص چهره برای ماسک صورت Predictions with Face Recognition model for Face Mask

  • مدل CNN مبتنی بر TensorFlow را در یک نوت بوک بارگذاری کنید Load TensorFlow based CNN Model in a Notebook

  • تعریف برچسب ها و تنظیم رنگ ها Defining Labels and Setting Colors

  • مرحله - 1، تشخیص چهره Step - 1, Face Detection

  • مرحله -2، پیش پردازش داده Step -2, Data Preprocess

  • مرحله - 3، پیش‌بینی‌هایی را از مدل CNN برای ماسک صورت دریافت کنید Step - 3, Get Predictions from CNN Model for Face Mask

  • ایجاد متن برای اطلاعات پیش‌بینی Generate text for Prediction info

  • پیش بینی ماسک صورت را در یک تصویر دریافت کنید Get Face Mask Prediction to an Image

  • پیش‌بینی واقعی ماسک صورت Real Time Face Mask Prediction

مبانی PyQt PyQt Basics

  • آنچه را که توسعه خواهید داد What you will Develop

  • کد ویژوال استودیو را نصب کنید Install Visual Studio Code

  • راه اندازی پروژه Setting Up Project

  • PyQt را نصب کنید و کد VS را به محیط مجازی متصل کنید Install PyQt and Connect VS code to Virtual Environment

  • پس زمینه PyQt PyQt Background

  • اولین برنامه PyQt شما با QtWidgets Your First PyQt App with QtWidgets

  • قالب Qt Qt Template

  • qtwidgets QtWidgets

  • QWidget QWidget

  • QLabel QLabel

  • QLineEdit QLineEdit

  • دکمه QPush QPushButton

  • QComboBox QComboBox

  • قرار دادن و تنظیم ویجت ها Placing & Arranging Widgets

  • قرار دادن ویجت ها با استفاده از QHBoxLayout و QVBoxLayout Placing Widgets using QHBoxLayout and QVBoxLayout

  • سیگنال ها و شکاف ها Signals and Slots

  • عملیات Backend در PyQt Backend Operations in PyQt

برنامه دسکتاپ با PyQt Desktop App with PyQt

  • آنچه را توسعه خواهید داد What you will develop

  • تنظیم کد ویژوال استودیو Setting up Visual studio code

  • ایجاد پنجره اصلی Create Main Window

  • PyQT: طراحی جلویی برنامه دسکتاپ PyQT: Front End Design of Desktop App

  • فیلمبرداری با OpenCV در PyQT Video Capture with OpenCV in PyQT

  • در تابع دکمه کلیک کنید On Click Button function

  • پخش ویدئو در PyQT Streaming Video in PyQT

  • مدل یادگیری عمیق ماسک صورت را به جریان ویدیویی در PyQT متصل کنید Connect Face Mask Deep Learning Model to Video Stream in PyQT

  • برنامه دسکتاپ Face Mask با PyQt Face Mask Desktop App with PyQt

جایزه BONUS

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

آموزش تشخیص ماسک صورت: برنامه دسکتاپ مبتنی بر یادگیری عمیق
جزییات دوره
4.5 hours
68
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,476
4.6 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

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

Brightshine Learn Brightshine Learn

تیم مربی