By Aksa Zafar, Ph.D. Geleerde in machine learning | Oprichter bij MLTUT | Solopreneur | Blogger.

1. Identificatie van het hondenras

Er zijn verschillende hondenrassen en de meeste lijken op elkaar. Als beginner kunt u een hondenrasidentificatiemodel bouwen om het hondenras te identificeren.

Voor dit project kunt u de dataset hondenrassen gebruiken om verschillende hondenrassen uit een afbeelding te classificeren. U kunt de dataset van de hondenrassen downloaden van Kaggle.

Ik vond ook deze complete tutorial voor Classificatie van hondenrassen met behulp van Deep Learning door Kirill Panarin.

2. Gezichtsdetectie

Dit is ook een goed deep learning-project voor beginners. In dit project moet je een deep learning-model bouwen dat de menselijke gezichten uit de afbeelding detecteert.

Gezichtsherkenning is computer vision-technologie. Bij gezichtsdetectie moet u de menselijke gezichten in elk digitaal beeld lokaliseren en visualiseren.

U kunt dit project in Python bouwen met behulp van OpenCV. Raadpleeg dit artikel voor de volledige zelfstudie, Rrealtime gezichtsherkenning met Python & OpenCV.

3. Detectie van gewasziekten

In dit project moet je een model bouwen dat ziektes in gewassen voorspelt RGB-afbeeldingen gebruiken. Voor het bouwen van een gewasziektedetectiemodel worden Convolutional Neural Networks (CNN) gebruikt.

CNN maakt een foto om de ziekte te identificeren en op te sporen. Er zijn verschillende stappen in Convolutional Neural Network. Deze stappen zijn:

1. Convolutie operatie.
2. ReLU-laag.
3. Poolen.
4. Afvlakken.
5. Volledige verbinding.

U kunt de gegevensset Landbouwgewasafbeeldingen downloaden oppompen van Kaggle.

4. Beeldclassificatie met CIFAR-10-gegevensset

Beeldclassificatie is het beste project voor beginners. In een afbeeldingsclassificatieproject moet u de afbeeldingen in verschillende klassen indelen.

Voor dit project kunt u CIFAR-10 Dataset gebruiken, die 60,000 kleurenafbeeldingen bevat. Deze afbeeldingen zijn onderverdeeld in 10 klassen, zoals auto's, vogels, honden, paarden, schepen, vrachtwagens, enz.

Bron: CIFAR-10-dataset.

Voor trainingsgegevens zijn er 50,000 afbeeldingen en voor testgegevens worden 10,000 afbeeldingen gebruikt. Beeldclassificatie is een van de meest gebruikte toepassingen van deep learning. U kunt de downloaden CIFAR-10-gegevensset hier.

5. Handgeschreven cijferherkenning

Om je diepgaande leervaardigheden te verkennen en te testen, denk ik dat dit het beste project is om te overwegen. In dit project bouw je een herkenningssysteem dat menselijke handgeschreven cijfers herkent.

Je kunt deze tutorial bekijken voor Handgeschreven cijferherkenning met behulp van Python.

Deze zelfstudie maakt gebruik van de MNIST-dataset en een speciaal type diep neuraal netwerk dat Convolutional Neural Networks is.

6. Kleurdetectie

Dit is een project op beginnersniveau waarbij je een interactieve app moet bouwen. Deze app identificeert de geselecteerde kleur van elke afbeelding. Er zijn 16 miljoen kleuren op basis van de verschillende RGB-kleurwaarden, maar we kennen er maar een paar.

Om dit project te implementeren, moet u hebben een gelabelde dataset van alle kleuren die we kennen, en dan moet je berekenen welke kleur het meest lijkt op de geselecteerde kleurwaarde.

Om dit project te implementeren, moet u bekend zijn met Computer Vision Python-bibliotheken OpenCV en Panda's.

U kunt alle details over dit project bekijken hier.

7. Realtime beeldanimatie

Dit is een open-sourceproject over computervisie. In dit project moet u in realtime beeldanimatie uitvoeren met behulp van OpenCV. Ik heb deze afbeelding uit de GitHub-repository van het project gehaald.

Bron: GitHub.

Zoals je in de afbeelding kunt zien, bootst het model de uitdrukking van de persoon voor de camera na en verandert de uitdrukking van de afbeelding dienovereenkomstig.

Dit project is handig, vooral als u van plan bent aan te gaan de mode-, detailhandel- of reclame-industrie. U kunt de code van dit project controleren op GitHub en Colab notitieboek ook.

8. Detectie van slaperigheid bij chauffeurs

Verkeersongevallen zijn een serieus probleem en de belangrijkste reden zijn de slaperige chauffeurs. Maar u kunt dit probleem voorkomen door een slaperigheidsdetectie voor de bestuurder te maken systeem.

Driver Drowsiness Detection-systeem detecteert de slaperigheid van de bestuurder door constant de ogen van de bestuurder te beoordelen en hem te waarschuwen met alarmen.

Voor dit project is een webcam nodig om de ogen van de chauffeur in de gaten te houden. Python, OpenCV en Keras worden gebruikt om de bestuurder te waarschuwen wanneer hij zich slaperig voelt.

Je kunt deze volledige projecthandleiding hier bekijken, Driver Slaperigheid Detectie Systeem met OpenCV & Keras.

ORIGINELE. Met toestemming opnieuw gepost.

Bio: Aksa Zafar, Ph.D. geleerde in Data Mining onderzoekt "Depression Detection from Social Media via Data Mining", en schrijft over Data Science en machine learning op MLTUT kennis en ervaring in het veld te delen.

Zie ook:

• Top 10 datawetenschapsprojecten voor beginners
• 4 tips voor het samenstellen van datasets voor NLP-projecten
• 21 Machine Learning-projecten – inclusief datasets