Kursplan

Introduktion

Översikt över YOLO förtränade modellers funktioner och arkitektur

  • YOLO-algoritmen
  • Regressionsbaserade algoritmer för objektdetektering
  • Hur skiljer sig YOLO från RCNN?

Använder lämplig YOLO-variant

  • Funktioner och arkitektur för YOLOv1-v2
  • Funktioner och arkitektur för YOLOv3-v4

Installera och konfigurera IDE för YOLO-implementationer

  • Darknet-implementeringen
  • PyTorch och Keras implementeringarna
  • Kör OpenCV och NumPy

Översikt över objektdetektering med YOLO förtränade modeller

Bygga och anpassa Python Kommandoradsapplikationer

  • Märkning av bilder med hjälp av YOLO-ramverket
  • Bildklassificering baserad på en datauppsättning

Upptäcka objekt i bilder med YOLO-implementationer

  • Hur fungerar Bounding Boxes?
  • Hur exakt är YOLO för till exempel segmentering?
  • Parsar kommandoradsargumenten

Extrahera YOLO-klassetiketter, koordinater och dimensioner

Visar de resulterande bilderna

Upptäcka objekt i videoströmmar med YOLO-implementationer

  • Hur skiljer det sig från grundläggande bildbehandling?

Utbildning och testning av YOLO-implementeringarna på ett ramverk

Felsökning och felsökning

Sammanfattning och slutsats

Krav

  • Python 3.x programmeringserfarenhet
  • Grundläggande kunskap om alla Python IDE:er
  • Erfarenhet av Python argparse och kommandoradsargument
  • Förståelse av datorseende och maskininlärningsbibliotek
  • En förståelse för grundläggande objektdetekteringsalgoritmer

Publik

  • Backend-utvecklare
  • Dataforskare
  7 timmar

Antal deltagare



Price per participant

Vittnesmål (4)

Relaterade Kurser

Relaterade Kategorier