By Άκσα Ζαφάρ, Ph.D. Scholar in Machine Learning | Ιδρυτής στο MLTUT | Solopreneur | Blogger.

1. Ταυτοποίηση φυλής σκύλου

Υπάρχουν διάφορες φυλές σκύλων και οι περισσότερες από αυτές μοιάζουν μεταξύ τους. Ως αρχάριος, μπορείτε να δημιουργήσετε ένα μοντέλο αναγνώρισης φυλής σκύλου για να προσδιορίσετε τη φυλή του σκύλου.

Για αυτό το έργο, μπορείτε να χρησιμοποιήσετε το σύνολο φυλών σκύλων για να ταξινομήσετε διάφορες φυλές σκύλων από μια εικόνα. Μπορείτε να κατεβάσετε το σύνολο δεδομένων των φυλών σκύλων από Kaggle.

Βρήκα επίσης αυτό το πλήρες σεμινάριο για Ταξινόμηση φυλών σκύλων χρησιμοποιώντας βαθιά μάθηση από τον Kirill Panarin.

2. Ανίχνευση προσώπου

Αυτό είναι επίσης ένα καλό έργο βαθιάς εκμάθησης για αρχάριους. Σε αυτό το έργο, πρέπει να δημιουργήσετε ένα μοντέλο βαθιάς μάθησης που ανιχνεύει τα ανθρώπινα πρόσωπα από την εικόνα.

Η αναγνώριση προσώπου είναι τεχνολογία όρασης υπολογιστή. Στην ανίχνευση προσώπου, πρέπει να εντοπίσετε και να απεικονίσετε τα ανθρώπινα πρόσωπα σε οποιαδήποτε ψηφιακή εικόνα.

Μπορείτε να δημιουργήσετε αυτό το έργο σε Python χρησιμοποιώντας OpenCV. Για το πλήρες σεμινάριο, ελέγξτε αυτό το άρθρο, Real-time αναγνώριση προσώπου με Python & OpenCV.

3. Ανίχνευση ασθενειών καλλιεργειών

Σε αυτό το έργο, πρέπει να δημιουργήσετε ένα μοντέλο που προβλέπει ασθένειες στις καλλιέργειες χρησιμοποιώντας εικόνες RGB. Για τη δημιουργία ενός μοντέλου ανίχνευσης ασθενειών καλλιεργειών, χρησιμοποιούνται Convolutional Neural Networks (CNN).

Το CNN παίρνει μια εικόνα για να εντοπίσει την ασθένεια και να την εντοπίσει. Υπάρχουν διάφορα βήματα στο Convolutional Neural Network. Αυτά τα βήματα είναι:

1. Λειτουργία συνέλιξης.
2. Στρώμα ReLU.
3. Συγκέντρωση.
4. Ισοπέδωση.
5. Πλήρης σύνδεση.

Μπορείτε να κατεβάσετε το σύνολο δεδομένων εικόνων καλλιέργειας γεωργίας από Kaggle.

4. Ταξινόμηση εικόνας με CIFAR-10 Dataset

Η ταξινόμηση εικόνων είναι το καλύτερο έργο για αρχάριους. Σε ένα έργο ταξινόμησης εικόνων, πρέπει να ταξινομήσετε τις εικόνες σε διάφορες κατηγορίες.

Για αυτό το έργο, μπορείτε να χρησιμοποιήσετε το CIFAR-10 Dataset, το οποίο περιέχει 60,000 έγχρωμες εικόνες. Αυτές οι εικόνες κατηγοριοποιούνται σε 10 κατηγορίες, όπως αυτοκίνητα, πουλιά, σκύλοι, άλογα, πλοία, φορτηγά κ.λπ.

Πηγή: Σύνολο δεδομένων CIFAR-10.

Για δεδομένα εκπαίδευσης, υπάρχουν 50,000 εικόνες και για δεδομένα δοκιμών, χρησιμοποιούνται 10,000 εικόνες. Η ταξινόμηση εικόνας είναι μια από τις πιο χρησιμοποιούμενες εφαρμογές βαθιάς μάθησης. Μπορείτε να κατεβάσετε το Σύνολο δεδομένων CIFAR-10 εδώ.

5. Χειρόγραφη ψηφιακή αναγνώριση

Για να εξερευνήσετε και να δοκιμάσετε τις δεξιότητές σας βαθιάς μάθησης, νομίζω ότι αυτό είναι το καλύτερο έργο που πρέπει να λάβετε υπόψη. Σε αυτό το έργο, θα δημιουργήσετε ένα σύστημα αναγνώρισης που αναγνωρίζει ανθρώπινα χειρόγραφα ψηφία.

Μπορείτε να ελέγξετε αυτό το σεμινάριο για Χειρόγραφη αναγνώριση ψηφίων χρησιμοποιώντας Python.

Αυτό το σεμινάριο χρησιμοποιεί το Σύνολο δεδομένων MNIST και ένας ειδικός τύπος βαθύ νευρωνικού δικτύου που είναι Convolutional Neural Networks.

6. Ανίχνευση χρωμάτων

Αυτό είναι ένα έργο αρχάριου, όπου πρέπει να δημιουργήσετε μια διαδραστική εφαρμογή. Αυτή η εφαρμογή θα προσδιορίσει το επιλεγμένο χρώμα από οποιαδήποτε εικόνα. Υπάρχουν 16 εκατομμύρια χρώματα που βασίζονται στις διαφορετικές τιμές χρωμάτων RGB, αλλά γνωρίζουμε μόνο μερικά χρώματα.

Για να υλοποιήσετε αυτό το έργο, πρέπει να έχετε ένα σύνολο δεδομένων με ετικέτα όλων των χρωμάτων που γνωρίζουμε και, στη συνέχεια, πρέπει να υπολογίσετε ποιο χρώμα μοιάζει περισσότερο με την επιλεγμένη τιμή χρώματος.

Για να εφαρμόσετε αυτό το έργο, θα πρέπει να είστε εξοικειωμένοι με τις βιβλιοθήκες Computer Vision Python OpenCV και Pandas.

Μπορείτε να ελέγξετε όλες τις λεπτομέρειες σχετικά με αυτό το έργο εδώ.

7. Κινούμενη εικόνα σε πραγματικό χρόνο

Αυτό είναι ένα έργο ανοιχτού κώδικα για την όραση υπολογιστή. Σε αυτό το έργο, πρέπει να εκτελέσετε κινούμενη εικόνα σε πραγματικό χρόνο χρησιμοποιώντας το OpenCV. Πήρα αυτήν την εικόνα από το αποθετήριο GitHub του έργου.

Πηγή: GitHub.

Όπως μπορείτε να δείτε στην εικόνα, το μοντέλο μιμείται την έκφραση του ατόμου μπροστά από την κάμερα και αλλάζει την έκφραση της εικόνας ανάλογα.

Αυτό το έργο είναι χρήσιμο, ειδικά αν σκοπεύετε να ξεκινήσετε τη βιομηχανία μόδας, λιανικής ή διαφήμισης. Μπορείτε να ελέγξετε τον κωδικό αυτού του έργου στη διεύθυνση GitHub και  Σημειωματάριο Colab πάρα πολύ.

8. Ανίχνευση υπνηλίας οδηγού

Το τροχαίο ατύχημα είναι ένα σοβαρό πρόβλημα και ο κύριος λόγος είναι οι νυσταγμένοι οδηγοί. Αλλά μπορείτε να αποτρέψετε αυτό το πρόβλημα δημιουργώντας μια ανίχνευση υπνηλίας οδηγού σύστημα.

Το σύστημα ανίχνευσης υπνηλίας οδηγού ανιχνεύει την υπνηλία του οδηγού αξιολογώντας συνεχώς τα μάτια του οδηγού και ειδοποιώντας τον με συναγερμούς.

Για αυτό το έργο, μια κάμερα web είναι απαραίτητη για την παρακολούθηση των ματιών του οδηγού. Python, OpenCV και Keras χρησιμοποιούνται για να ειδοποιούν τον οδηγό όταν νιώθει υπνηλία.

Μπορείτε να ελέγξετε αυτό το πλήρες σεμινάριο έργου εδώ, Σύστημα ανίχνευσης υπνηλίας οδηγού με OpenCV & Keras.

Πρωτότυπο. Αναδημοσιεύτηκε με άδεια.

Bio: Άκσα Ζαφάρ, Ph.D. μελετητής στο Data Mining ερευνά «Ανίχνευση κατάθλιψης από τα κοινωνικά μέσα μέσω δεδομένων εξόρυξης» και γράφει για την Επιστήμη των Δεδομένων και τη μηχανική μάθηση στο MLTUT για την ανταλλαγή γνώσεων και εμπειριών στον τομέα.

Συγγενεύων:

• Κορυφαία 10 Έργα Επιστήμης Δεδομένων για αρχάριους
• 4 συμβουλές για τη διάρκεια δεδομένων για έργα NLP
• 21 Έργα μηχανικής εκμάθησης - Συμπεριλαμβάνονται σύνολα δεδομένων