By Aksa Zafar, Ph.D. Stipendiat für maschinelles Lernen | Gründer bei MLTUT | Solopreneur | Blogger.

1. Identifizierung der Hunderasse

Es gibt verschiedene Hunderassen und die meisten sind sich ähnlich. Als Anfänger können Sie ein Modell zur Identifizierung der Hunderasse erstellen, um die Rasse des Hundes zu identifizieren.

Für dieses Projekt können Sie das Hunderassen-Dataset verwenden, um verschiedene Hunderassen aus einem Bild zu klassifizieren. Sie können den Hunderassen-Datensatz herunterladen von Kaggle.

Ich habe auch dieses komplette Tutorial für gefunden Hunderassenklassifizierung mit Deep Learning von Kirill Panarin.

2. Gesichtserkennung

Dies ist auch ein gutes Deep-Learning-Projekt für Anfänger. In diesem Projekt müssen Sie ein Deep-Learning-Modell erstellen, das die menschlichen Gesichter aus dem Bild erkennt.

Gesichtserkennung ist Computer-Vision-Technologie. Bei der Gesichtserkennung müssen Sie die menschlichen Gesichter in jedem digitalen Bild lokalisieren und visualisieren.

Sie können dieses Projekt in Python mit OpenCV erstellen. Das vollständige Tutorial finden Sie in diesem Artikel, REchtzeit-Gesichtserkennung mit Python & OpenCV.

3. Erkennung von Pflanzenkrankheiten

In diesem Projekt müssen Sie ein Modell erstellen, das Krankheiten in Pflanzen vorhersagt mit RGB-Bildern. Um ein Modell zur Erkennung von Pflanzenkrankheiten zu erstellen, werden Convolutional Neural Networks (CNN) verwendet.

CNN macht ein Bild, um die Krankheit zu identifizieren und zu erkennen. Es gibt verschiedene Schritte im Convolutional Neural Network. Diese Schritte sind:

1. Faltungsoperation.
2. ReLU-Schicht.
3. Poolen.
4. Abflachen.
5. Volle Verbindung.

Sie können den Datensatz der Landwirtschaftskulturbilder herunterladen für Kaggle.

4. Bildklassifizierung mit CIFAR-10-Datensatz

Bildklassifizierung ist das beste Projekt für Anfänger. In einem Bildklassifizierungsprojekt müssen Sie die Bilder in verschiedene Klassen einteilen.

Für dieses Projekt können Sie den CIFAR-10-Datensatz verwenden, der 60,000 Farbbilder enthält. Diese Bilder sind in 10 Klassen eingeteilt, wie Autos, Vögel, Hunde, Pferde, Schiffe, Lastwagen usw.

Quelle: CIFAR-10-Datensatz.

Für Trainingsdaten gibt es 50,000 Bilder und für Testdaten werden 10,000 Bilder verwendet. Die Bildklassifizierung ist eine der am häufigsten verwendeten Anwendungen von Deep Learning. Sie können die herunterladen CIFAR-10-Datensatz hier.

5. Handschriftliche Ziffernerkennung

Um Ihre Deep-Learning-Fähigkeiten zu erkunden und zu testen, denke ich, dass dies das beste Projekt ist, das Sie in Betracht ziehen sollten. In diesem Projekt bauen Sie ein Erkennungssystem, das menschliche handgeschriebene Ziffern erkennt.

Sie können dieses Tutorial überprüfen für Handschriftliche Ziffernerkennung mit Python.

Dieses Tutorial verwendet die MNIST-Datensatz und eine spezielle Art von tiefen neuronalen Netzwerken, die Convolutional Neural Networks sind.

6. Farberkennung

Dies ist ein Projekt für Anfänger, bei dem Sie eine interaktive App erstellen müssen. Diese App erkennt die ausgewählte Farbe aus jedem Bild. Es gibt 16 Millionen Farben basierend auf den verschiedenen RGB-Farbwerten, aber wir kennen nur wenige Farben.

Um dieses Projekt umzusetzen, benötigen Sie einen beschrifteten Datensatz aller uns bekannten Farben, und dann müssen Sie berechnen, welche Farbe dem ausgewählten Farbwert am ähnlichsten ist.

Um dieses Projekt zu implementieren, sollten Sie mit den Computer Vision Python-Bibliotheken OpenCV und Pandas vertraut sein.

Sie können alle Details zu diesem Projekt überprüfen hier.

7. Echtzeit-Bildanimation

Dies ist ein Open-Source-Projekt zum Thema Computer Vision. In diesem Projekt müssen Sie mit OpenCV Bildanimationen in Echtzeit durchführen. Ich habe dieses Bild aus dem GitHub-Repository des Projekts entnommen.

Quelle: GitHub.

Wie Sie im Bild sehen können, ahmt das Modell den Gesichtsausdruck der Person vor der Kamera nach und ändert den Bildausdruck entsprechend.

Dieses Projekt ist nützlich, insbesondere wenn Sie planen, in der Mode-, Einzelhandels- oder Werbebranche. Sie können den Code dieses Projekts unter überprüfen GitHub und Colab Notizbuch Auch.

8. Erkennung der Müdigkeit des Fahrers

Verkehrsunfälle sind ein ernstes Problem, und der Hauptgrund sind die schläfrigen Fahrer. Sie können dieses Problem jedoch vermeiden, indem Sie eine Fahrer-Müdigkeitserkennung erstellen System funktionieren.

Das Fahrer-Müdigkeits-Erkennungssystem erkennt die Schläfrigkeit des Fahrers, indem es ständig die Augen des Fahrers bewertet und ihn mit Alarmen warnt.

Für dieses Projekt ist eine Webcam erforderlich, um die Augen des Fahrers zu überwachen. Python, OpenCV und Keras werden verwendet, um den Fahrer zu warnen, wenn er sich schläfrig fühlt.

Sie können dieses vollständige Projekt-Tutorial hier überprüfen, Fahrermüdigkeitserkennungssystem mit OpenCV & Keras.

Original. Mit Genehmigung erneut veröffentlicht.

Bio: Aksa Zafar, Ph.D. Data Mining-Stipendiat erforscht „Depression Detection from Social Media via Data Mining“ und schreibt über Data Science und maschinelles Lernen bei MLTUT um Wissen und Erfahrungen auf diesem Gebiet zu teilen.

Related:

• Top 10 Data Science-Projekte für Anfänger
• 4 Tipps zur Dataset Curation für NLP-Projekte
• 21 Machine Learning-Projekte – Datensätze enthalten