By اقصی ظفر، دکتری. محقق در یادگیری ماشین | موسس در MLTUT | انفرادی | وبلاگ نویس.

1. شناسایی نژاد سگ

نژادهای مختلف سگ وجود دارد و بیشتر آنها شبیه به یکدیگر هستند. به عنوان یک مبتدی، می توانید یک مدل شناسایی نژاد سگ برای شناسایی نژاد سگ بسازید.

برای این پروژه، می توانید از مجموعه داده نژادهای سگ برای طبقه بندی نژادهای مختلف سگ از روی یک تصویر استفاده کنید. می توانید مجموعه داده نژادهای سگ را از اینجا دانلود کنید کجگل.

من همچنین این آموزش کامل را برای طبقه بندی نژاد سگ با استفاده از یادگیری عمیق توسط کریل پانارین

2. تشخیص چهره

این همچنین یک پروژه یادگیری عمیق خوب برای مبتدیان است. در این پروژه شما باید یک مدل یادگیری عمیق بسازید که چهره انسان را از روی تصویر تشخیص دهد.

تشخیص چهره یک فناوری بینایی کامپیوتری است. در تشخیص چهره، شما باید چهره انسان را در هر تصویر دیجیتالی بیابید و تجسم کنید.

با استفاده از OpenCV می توانید این پروژه را در پایتون بسازید. برای آموزش کامل، این مقاله را بررسی کنید، Rتشخیص چهره بلادرنگ با پایتون و OpenCV.

3. تشخیص بیماری محصول

در این پروژه شما باید مدلی بسازید که بیماری ها را در محصولات پیش بینی کند با استفاده از تصاویر RGB برای ساخت یک مدل تشخیص بیماری زراعی، از شبکه های عصبی کانولوشنال (CNN) استفاده می شود.

CNN برای شناسایی بیماری و تشخیص آن تصویری می گیرد. در شبکه عصبی کانولوشن مراحل مختلفی وجود دارد. این مراحل عبارتند از:

1. عملیات پیچیدگی
2. لایه ReLU.
3. ادغام.
4. صاف کردن.
5. اتصال کامل

شما می توانید مجموعه داده تصاویر محصول کشاورزی را دانلود کنید از جانب کجگل.

4. طبقه بندی تصویر با مجموعه داده CIFAR-10

طبقه بندی تصاویر بهترین پروژه برای مبتدیان است. در پروژه طبقه بندی تصاویر، شما باید تصاویر را به کلاس های مختلف طبقه بندی کنید.

برای این پروژه می توانید از CIFAR-10 Dataset استفاده کنید که شامل 60,000 تصویر رنگی است. این تصاویر در 10 کلاس مانند ماشین ها، پرندگان، سگ ها، اسب ها، کشتی ها، کامیون ها و ... دسته بندی می شوند.

منبع: مجموعه داده CIFAR-10.

برای داده های آموزشی 50,000 تصویر و برای داده های تست از 10,000 تصویر استفاده می شود. طبقه بندی تصاویر یکی از پرکاربردترین کاربردهای یادگیری عمیق است. می توانید دانلود کنید مجموعه داده CIFAR-10 اینجا کلیک نمایید.

5. تشخیص رقم دست نویس

برای کشف و آزمایش مهارت های یادگیری عمیق خود، فکر می کنم این بهترین پروژه ای است که باید در نظر بگیرید. در این پروژه شما یک سیستم تشخیص خواهید ساخت که ارقام دست نوشته انسان را تشخیص می دهد.

می توانید این آموزش را بررسی کنید تشخیص رقم دست نویس با استفاده از پایتون.

این آموزش از مجموعه داده MNIST و نوع خاصی از شبکه عصبی عمیق که شبکه های عصبی کانولوشنال است.

6. تشخیص رنگ

این یک پروژه در سطح مبتدی است که در آن باید یک برنامه تعاملی بسازید. این برنامه رنگ انتخاب شده را از هر تصویر شناسایی می کند. 16 میلیون رنگ بر اساس مقادیر مختلف رنگ RGB وجود دارد، اما ما فقط چند رنگ را می شناسیم.

برای اجرای این پروژه باید داشته باشید یک مجموعه داده برچسب‌دار از تمام رنگ‌هایی که می‌شناسیم، و سپس باید محاسبه کنید که کدام رنگ با مقدار رنگ انتخاب‌شده شباهت بیشتری دارد.

برای اجرای این پروژه باید با کتابخانه های Computer Vision Python OpenCV و Pandas آشنا باشید.

شما می توانید تمام جزئیات مربوط به این پروژه را بررسی کنید اینجا کلیک نمایید.

7. انیمیشن تصویر در زمان واقعی

این یک پروژه منبع باز در بینایی کامپیوتر است. در این پروژه باید با استفاده از OpenCV انیمیشن تصویر را به صورت بلادرنگ انجام دهید. من این تصویر را از مخزن GitHub پروژه گرفته ام.

منبع: GitHub.

همانطور که در تصویر مشاهده می کنید، این مدل از بیان فرد مقابل دوربین تقلید می کند و بر این اساس بیان تصویر را تغییر می دهد.

این پروژه مفید است، به خصوص اگر قصد دارید وارد آن شوید صنعت مد، خرده فروشی یا تبلیغات. می توانید کد این پروژه را در آدرس زیر بررسی کنید GitHub و دفترچه یادداشت کولب بیش از حد.

8. تشخیص خواب آلودگی راننده

تصادفات جاده ای یک مشکل جدی است و دلیل اصلی آن خواب آلودگی رانندگان است. اما می توانید با ایجاد تشخیص خواب آلودگی راننده از این مشکل جلوگیری کنید سیستم.

سیستم تشخیص خواب آلودگی راننده با ارزیابی مداوم چشمان راننده و هشدار دادن به او با آلارم، خواب آلودگی راننده را تشخیص می دهد.

برای این پروژه، یک وب کم برای نظارت بر چشمان راننده ضروری است. پایتون، OpenCV و Keras برای هشدار دادن به راننده در هنگام احساس خواب آلودگی استفاده می شود.

شما می توانید این آموزش کامل پروژه را در اینجا بررسی کنید، سیستم تشخیص خواب آلودگی راننده با OpenCV و Keras.

اصلی. مجدداً با اجازه دوباره ارسال شد.

بیوگرافی: اقصی ظفر، دکتری. محقق در داده کاوی در مورد "تشخیص افسردگی از رسانه های اجتماعی از طریق داده کاوی" تحقیق می کند و در مورد علم داده و یادگیری ماشین می نویسد. MLTUT برای به اشتراک گذاشتن دانش و تجربه در این زمینه.

مرتبط:

• 10 پروژه برتر علم داده برای مبتدیان
• 4 نکته برای مدیریت مجموعه داده برای پروژه های NLP
• 21 پروژه یادگیری ماشین - مجموعه داده ها گنجانده شده است