By Aqsa Zafar, Ph.D. Forsker i maskinlæring | Grundlægger hos MLTUT | Soloprenør | Blogger.

1. Identifikation af hunderace

Der findes forskellige hunderacer, og de fleste af dem ligner hinanden. Som nybegynder kan du bygge en hunderace-identifikationsmodel for at identificere hundens race.

Til dette projekt kan du bruge hunderacernes datasæt til at klassificere forskellige hunderacer ud fra et billede. Du kan downloade hunderacernes datasæt fra Kaggle.

Jeg fandt også denne komplette tutorial til Hunderaceklassificering ved hjælp af Deep Learning af Kirill Panarin.

2. Ansigtsgenkendelse

Dette er også et godt dybdelæringsprojekt for begyndere. I dette projekt skal du bygge en dyb læringsmodel, der registrerer de menneskelige ansigter fra billedet.

Ansigtsgenkendelse er computersynsteknologi. Ved ansigtsgenkendelse skal du lokalisere og visualisere de menneskelige ansigter i ethvert digitalt billede.

Du kan bygge dette projekt i Python ved hjælp af OpenCV. For den komplette tutorial, tjek denne artikel, Real-time ansigtsgenkendelse med Python & OpenCV.

3. Detektion af afgrødesygdomme

I dette projekt skal du bygge en model, der forudsiger sygdomme i afgrøder ved hjælp af RGB-billeder. Til opbygning af en afgrødesygdomsdetektionsmodel bruges Convolutional Neural Networks (CNN).

CNN tager et billede for at identificere sygdommen og opdage den. Der er forskellige trin i Convolutional Neural Network. Disse trin er:

1. Konvolutionsoperation.
2. ReLU lag.
3. Pooling.
4. Udfladning.
5. Fuld forbindelse.

Du kan downloade datasættet til landbrugsafgrødebilleder fra Kaggle.

4. Billedklassificering med CIFAR-10-datasæt

Billedklassificering er det bedste projekt for begyndere. I et billedklassificeringsprojekt skal du klassificere billederne i forskellige klasser.

Til dette projekt kan du bruge CIFAR-10 Dataset, som indeholder 60,000 farvebilleder. Disse billeder er kategoriseret i 10 klasser, såsom biler, fugle, hunde, heste, skibe, lastbiler osv.

Kilde: CIFAR-10 datasæt.

Til træningsdata er der 50,000 billeder, og til testdata bruges 10,000 billeder. Billedklassificering er en af ​​de mest brugte anvendelser af deep learning. Du kan downloade CIFAR-10 datasæt link..

5. Håndskrevet ciffergenkendelse

For at udforske og teste dine dybe læringsevner, tror jeg, at dette er det bedste projekt at overveje. I dette projekt vil du bygge et genkendelsessystem, der genkender menneskelige håndskrevne cifre.

Du kan tjekke denne tutorial for Håndskrevet ciffergenkendelse ved hjælp af Python.

Denne tutorial bruger MNIST-datasæt og en speciel type dybt neuralt netværk, der er Convolutional Neural Networks.

6. Farveregistrering

Dette er et projekt på begynderniveau, hvor du skal bygge en interaktiv app. Denne app vil identificere den valgte farve fra ethvert billede. Der er 16 millioner farver baseret på de forskellige RGB-farveværdier, men vi kender kun få farver.

For at gennemføre dette projekt skal du have et mærket datasæt med alle de farver, som vi kender, og så skal du beregne, hvilken farve der minder mest om med den valgte farveværdi.

For at implementere dette projekt skal du være fortrolig med Computer Vision Python-bibliotekerne OpenCV og Pandas.

Du kan tjekke alle detaljer vedrørende dette projekt link..

7. Billedanimation i realtid

Dette er et open source-projekt om computervision. I dette projekt skal du udføre billedanimation i realtid ved hjælp af OpenCV. Jeg har taget dette billede fra projektets GitHub-depot.

Kilde: GitHub.

Som du kan se på billedet, efterligner modellen udtrykket af personen foran kameraet og ændrer billedudtrykket derefter.

Dette projekt er nyttigt, især hvis du planlægger at gå ind mode-, detail- eller reklamebranchen. Du kan tjekke koden for dette projekt på GitHub , Colab notesbog også.

8. Driver Døsighed Detektion

Vejulykker er et alvorligt problem, og hovedårsagen er de søvnige bilister. Men du kan forhindre dette problem ved at oprette en påvisning af førerens døsighed system.

Driver Drowsiness Detection-system registrerer førerens døsighed ved konstant at vurdere førerens øjne og advare ham med alarmer.

Til dette projekt er et webcam nødvendigt til at overvåge førerens øjne. Python, OpenCV og Keras bruges til at advare føreren, når han føler sig søvnig.

Du kan tjekke denne komplette projektvejledning her, Driver Døsighed Detection System med OpenCV & Keras.

Original. Genopslået med tilladelse.

Bio: Aqsa Zafar, Ph.D. forsker i Data Mining forsker i "Depression Detection from Social Media via Data Mining," og skriver om Data Science og machine learning på MLTUT at dele viden og erfaringer på området.

Relateret:

• Top 10 datavidenskabelige projekter for begyndere
• 4 tips til datasætkurering til NLP-projekter
• 21 Machine Learning-projekter – Datasæt inkluderet