By Aqsa Zafar, Ph.D. Tudós a gépi tanulásban | Alapítója az MLTUT | Egyéni vállalkozó | Blogger.

1. Kutyafajta azonosítás

Különböző kutyafajták vannak, és a legtöbbjük hasonlít egymásra. Kezdőként elkészíthet egy kutyafajta azonosítási modellt a kutya fajtájának azonosításához.

Ebben a projektben a kutyafajták adatkészletét használhatja különböző kutyafajták osztályozására egy kép alapján. A kutyafajták adatkészletét letöltheti innen Kaggle.

Megtaláltam ezt a teljes oktatóanyagot is Kutyafajták osztályozása a Deep Learning segítségével írta: Kirill Panarin.

2. Arcfelismerés

Ez is egy jó mély tanulási projekt kezdőknek. Ebben a projektben egy mély tanulási modellt kell felépítenie, amely felismeri az emberi arcokat a képről.

Az arcfelismerés a számítógépes látástechnológia. Az arcfelismerés során meg kell találnia és megjelenítenie kell az emberi arcokat bármely digitális képen.

Ezt a projektet Pythonban OpenCV használatával építheti fel. A teljes oktatóanyagért tekintse meg ezt a cikket, Re-time arcfelismerés Python és OpenCV segítségével.

3. Növénybetegségek kimutatása

Ebben a projektben olyan modellt kell felépítenie, amely előrejelzi a növények betegségeit RGB képek használatával. A Crop betegségek kimutatására szolgáló modell felépítéséhez konvolúciós neurális hálózatokat (CNN) használnak.

A CNN felvételt készít a betegség azonosítására és kimutatására. A konvolúciós neurális hálózatnak különböző lépései vannak. Ezek a lépések:

1. Konvolúciós művelet.
2. ReLU réteg.
3. Összevonás.
4. Lapítás.
5. Teljes kapcsolat.

Letöltheti a Mezőgazdasági terményképek adatkészletét ból ből Kaggle.

4. Képosztályozás CIFAR-10 adatkészlettel

A képbesorolás a legjobb projekt kezdőknek. Egy képosztályozási projektben a képeket különböző osztályokba kell besorolni.

Ehhez a projekthez használhatja a CIFAR-10 adatkészletet, amely 60,000 10 színes képet tartalmaz. Ezek a képek XNUMX osztályba vannak sorolva, például autók, madarak, kutyák, lovak, hajók, teherautók stb.

Forrás: CIFAR-10 adatkészlet.

Az edzésadatokhoz 50,000 10,000, a tesztadatokhoz pedig XNUMX XNUMX képet használnak. A képosztályozás a mély tanulás egyik leggyakrabban használt alkalmazása. Letöltheti a CIFAR-10 adatkészlet itt.

5. Kézzel írt számjegyek felismerése

A mély tanulási képességek feltárásához és teszteléséhez úgy gondolom, hogy ez a legjobb projekt. Ebben a projektben olyan felismerő rendszert fog építeni, amely felismeri az emberi kézzel írt számjegyeket.

Ezt az oktatóanyagot megnézheti Kézzel írt számjegyfelismerés Python használatával.

Ez az oktatóanyag a MNIST adatkészlet és egy speciális típusú mély neurális hálózat, a konvolúciós neurális hálózatok.

6. Színérzékelés

Ez egy kezdő szintű projekt, ahol interaktív alkalmazást kell készítenie. Ez az alkalmazás bármely képről azonosítja a kiválasztott színt. A különböző RGB színértékek alapján 16 millió szín létezik, de csak néhány színt ismerünk.

A projekt megvalósításához rendelkeznie kell egy címkézett adatkészletet az összes általunk ismert színből, majd ki kell számítania, hogy melyik szín hasonlít leginkább a kiválasztott színértékhez.

A projekt megvalósításához ismernie kell a Computer Vision Python OpenCV és Pandas könyvtárakat.

A projekttel kapcsolatos összes részletet ellenőrizheti itt.

7. Valós idejű képanimáció

Ez egy nyílt forráskódú projekt a számítógépes látásról. Ebben a projektben valós idejű képanimációt kell végrehajtania az OpenCV segítségével. Ezt a képet a projekt GitHub tárházából vettem.

Forrás: GitHub.

Ahogy a képen is látható, a modell a kamera előtt álló személy arckifejezését utánozza, és ennek megfelelően változtatja a képkifejezést.

Ez a projekt hasznos, különösen akkor, ha tervezi, hogy részt vegyen benne a divat, a kiskereskedelem vagy a reklámipar. A projekt kódját a következő címen tekintheti meg GitHub és a Colab jegyzetfüzet túl.

8. Vezetői álmosság észlelése

A közúti baleset súlyos probléma, és a fő ok az álmos vezetők. De megelőzheti ezt a problémát, ha létrehozza a járművezető álmosságának észlelését rendszer.

A Driver Drowsiness Detection rendszer úgy érzékeli a sofőr álmosságát, hogy folyamatosan felméri a vezető szemét, és riasztásokkal riasztja.

Ehhez a projekthez webkamerára van szükség a vezető szemének figyeléséhez. Python, OpenCV és Keras arra szolgálnak, hogy figyelmeztessék a vezetőt, ha álmosnak érzi magát.

A teljes projekt oktatóanyagot itt tekintheti meg, Vezetői álmosság-érzékelő rendszer OpenCV-vel és Keras-szal.

eredeti. Engedéllyel újra közzétéve.

Bio: Aqsa Zafar, Ph.D. Az adatbányászat kutatója a „Depresszió észlelése a közösségi médiából az adatbányászat révén” című tanulmányát kutatja, és az adattudományról és a gépi tanulásról ír MLTUT hogy megosszák tudásukat és tapasztalataikat ezen a területen.

Kapcsolódó:

• A 10 legjobb adattudományi projekt kezdőknek
• 4 tipp az NLP-projektek adatkészlet-kezeléséhez
• 21 gépi tanulási projekt – adatkészletek