By Aqsa Zafar, Ph.D. Lærer i maskinlæring | Grunnlegger ved MLTUT | Solopreneur | Blogger.

1. Hundens raseidentifikasjon

Det finnes forskjellige hunderaser, og de fleste av dem ligner hverandre. Som nybegynner kan du bygge en modell for identifikasjon av en hunderase for å identifisere hundens rase.

For dette prosjektet kan du bruke datasettet for hunderaser til å klassifisere forskjellige hunderaser fra et bilde. Du kan laste ned datasettet for hunderaser fra kaggle.

Jeg fant også denne komplette opplæringen for Klassifisering av hunderaser ved hjelp av Deep Learning av Kirill Panarin.

2. Ansiktsgjenkjenning

Dette er også et godt dypt læringsprosjekt for nybegynnere. I dette prosjektet må du bygge en dyp læringsmodell som oppdager menneskelige ansikter fra bildet.

Ansiktsgjenkjenning er datasynsteknologi. Når det gjelder ansiktsgjenkjenning, må du finne og visualisere de menneskelige ansiktene i ethvert digitalt bilde.

Du kan bygge dette prosjektet i Python ved hjelp av OpenCV. For hele opplæringen, sjekk denne artikkelen, Real-time ansiktsgjenkjenning med Python og OpenCV.

3. Deteksjon av avlingssykdom

I dette prosjektet må du bygge en modell som forutsier sykdommer i avlinger ved bruk av RGB -bilder. For å bygge en modell for påvisning av avlingssykdom, brukes Convolutional Neural Networks (CNN).

CNN tar et bilde for å identifisere sykdommen og oppdage den. Det er forskjellige trinn i Convolutional Neural Network. Disse trinnene er:

1. Konvolusjonsoperasjon.
2. ReLU -lag.
3. Bading.
4. Utflating.
5. Full tilkobling.

Du kan laste ned datasettet for landbruksavlinger fra kaggle.

4. Bildeklassifisering med CIFAR-10 datasett

Bildeklassifisering er det beste prosjektet for nybegynnere. I et bildeklassifiseringsprosjekt må du klassifisere bildene i forskjellige klasser.

For dette prosjektet kan du bruke CIFAR-10 Dataset, som inneholder 60,000 10 fargebilder. Disse bildene er kategorisert i XNUMX klasser, for eksempel biler, fugler, hunder, hester, skip, lastebiler, etc.

Kilde: CIFAR-10 datasett.

For treningsdata er det 50,000 10,000 bilder, og for testdata brukes XNUMX XNUMX bilder. Bildeklassifisering er en av de mest brukte applikasjonene for dyp læring. Du kan laste ned CIFAR-10 datasett her..

5. Håndskrevet siffergjenkjenning

For å utforske og teste dine dype læringsevner, tror jeg at dette er det beste prosjektet å vurdere. I dette prosjektet vil du bygge et gjenkjenningssystem som gjenkjenner menneskelige håndskrevne sifre.

Du kan sjekke denne opplæringen for Håndskrevet siffergjenkjenning ved hjelp av Python.

Denne opplæringen bruker MNIST -datasett og en spesiell type dype nevrale nettverk som er konvolusjonelle nevrale nettverk.

6. Fargedeteksjon

Dette er et prosjekt på nybegynnernivå der du må bygge en interaktiv app. Denne appen vil identifisere den valgte fargen fra et hvilket som helst bilde. Det er 16 millioner farger basert på de forskjellige RGB -fargeverdiene, men vi kjenner bare noen få farger.

For å gjennomføre dette prosjektet må du ha et merket datasett med alle fargene vi kjenner, og så må du beregne hvilken farge som ligner mest på den valgte fargeverdien.

For å gjennomføre dette prosjektet, bør du være kjent med Computer Vision Python -biblioteker OpenCV og Pandas.

Du kan sjekke alle detaljer om dette prosjektet her..

7. Bilde-animasjon i sanntid

Dette er et åpen kildekode-prosjekt om datasyn. I dette prosjektet må du utføre bildeanimasjon i sanntid ved hjelp av OpenCV. Jeg har tatt dette bildet fra prosjektets GitHub -depot.

Kilde: GitHub.

Som du kan se på bildet, etterligner modellen uttrykket til personen foran kameraet og endrer bildeuttrykket tilsvarende.

Dette prosjektet er nyttig, spesielt hvis du planlegger å gå inn mote-, detaljhandel- eller reklamebransjen. Du kan sjekke koden til dette prosjektet på GitHub og Colab-notatbok også.

8. Deteksjon av førerens døsighet

Trafikkulykke er et alvorlig problem, og hovedårsaken er de søvnige sjåførene. Men du kan forhindre dette problemet ved å opprette en sjåførsdeteksjon system.

Driver Døsighet Deteksjon system oppdager døsigheten til sjåføren ved å konstant vurdere sjåførens øyne og varsle ham med alarmer.

For dette prosjektet er et webkamera nødvendig for å overvåke sjåførens øyne. Python, OpenCV og Keras brukes til å varsle sjåføren når han føler seg trøtt.

Du kan sjekke denne komplette prosjektopplæringen her, Driver Døsighet Deteksjon System med OpenCV & Keras.

original. Ompostet med tillatelse.

Bio: Aqsa Zafar, Ph.D. forsker i Data Mining forsker på "Depresjonsdeteksjon fra sosiale medier via Data Mining", og skriver om datavitenskap og maskinlæring på MLTUT å dele kunnskap og erfaring på området.

Relatert:

• Topp 10 datavitenskapsprosjekter for nybegynnere
• 4 tips for datasettkurering for NLP-prosjekter
• 21 maskinlæringsprosjekter - datasett inkludert