By Aksa Zafardr hab. Naukowiec w dziedzinie uczenia maszynowego | Założyciel MLTUT | Solopreneur | Blogger.

1. Identyfikacja rasy psa

Istnieją różne rasy psów, a większość z nich jest do siebie podobna. Jako początkujący możesz zbudować model identyfikacji rasy psa, aby zidentyfikować rasę psa.

W tym projekcie możesz użyć zestawu danych ras psów, aby sklasyfikować różne rasy psów na podstawie obrazu. Zestaw danych ras psów można pobrać z Kaggle.

Znalazłem również ten kompletny samouczek dla Klasyfikacja ras psów za pomocą głębokiego uczenia autorstwa Kirilla Panarina.

2. Wykrywanie twarzy

Jest to również dobry projekt głębokiego uczenia się dla początkujących. W tym projekcie musisz zbudować model głębokiego uczenia, który wykrywa ludzkie twarze z obrazu.

Rozpoznawanie twarzy to technologia widzenia komputerowego. W wykrywaniu twarzy musisz zlokalizować i zwizualizować ludzkie twarze na dowolnym obrazie cyfrowym.

Możesz zbudować ten projekt w Pythonie za pomocą OpenCV. Aby zapoznać się z pełnym samouczkiem, zapoznaj się z tym artykułem, RRozpoznawanie twarzy w czasie rzeczywistym za pomocą Pythona i OpenCV.

3. Wykrywanie chorób upraw

W tym projekcie musisz zbudować model, który przewiduje choroby w uprawach przy użyciu obrazów RGB. Do budowy modelu wykrywania chorób roślin uprawnych wykorzystuje się splotowe sieci neuronowe (CNN).

CNN robi zdjęcie, aby zidentyfikować chorobę i ją wykryć. W Splotowej Sieci Neuronowej istnieją różne etapy. Te kroki to:

1. Operacja splotu.
2. Warstwa ReLU.
3. Łączenie.
4. Spłaszczenie.
5. Pełne połączenie.

Możesz pobrać zestaw danych przycinania obrazów w rolnictwie od Kaggle.

4. Klasyfikacja obrazów za pomocą zestawu danych CIFAR-10

Klasyfikacja obrazów to najlepszy projekt dla początkujących. W projekcie klasyfikacji obrazów musisz podzielić obrazy na różne klasy.

Do tego projektu możesz użyć zestawu danych CIFAR-10, który zawiera 60,000 10 kolorowych obrazów. Obrazy te są podzielone na XNUMX klas, takich jak samochody, ptaki, psy, konie, statki, ciężarówki itp.

Źródło: zbiór danych CIFAR-10.

W przypadku danych treningowych dostępnych jest 50,000 10,000 obrazów, a w przypadku danych testowych XNUMX XNUMX obrazów. Klasyfikacja obrazów jest jedną z najczęściej używanych aplikacji głębokiego uczenia. Możesz pobrać Zbiór danych CIFAR-10 tutaj.

5. Rozpoznawanie cyfr odręcznych

Aby zbadać i przetestować swoje umiejętności głębokiego uczenia się, myślę, że jest to najlepszy projekt do rozważenia. W tym projekcie zbudujesz system rozpoznawania, który rozpoznaje odręcznie pisane przez człowieka cyfry.

Możesz sprawdzić ten samouczek dla Rozpoznawanie cyfr odręcznych za pomocą Pythona.

Ten samouczek wykorzystuje Zbiór danych MNIST oraz specjalny rodzaj głębokiej sieci neuronowej, czyli Convolutional Neural Networks.

6. Wykrywanie kolorów

Jest to projekt na poziomie początkującym, w którym musisz zbudować interaktywną aplikację. Ta aplikacja zidentyfikuje wybrany kolor z dowolnego obrazu. Istnieje 16 milionów kolorów w oparciu o różne wartości kolorów RGB, ale znamy tylko kilka kolorów.

Aby zrealizować ten projekt, musisz mieć oznaczony zestaw danych zawierający wszystkie znane nam kolory, a następnie musisz obliczyć, który kolor najbardziej przypomina wybraną wartość koloru.

Aby wdrożyć ten projekt, powinieneś znać biblioteki Computer Vision Python OpenCV i Pandas.

Możesz sprawdzić wszystkie szczegóły dotyczące tego projektu tutaj.

7. Animacja obrazu w czasie rzeczywistym

Jest to projekt open-source dotyczący wizji komputerowej. W tym projekcie musisz wykonać animację obrazu w czasie rzeczywistym za pomocą OpenCV. Ten obraz został pobrany z repozytorium GitHub projektu.

Źródło: GitHub.

Jak widać na zdjęciu, model naśladuje ekspresję osoby przed kamerą i odpowiednio zmienia ekspresję obrazu.

Ten projekt jest przydatny, zwłaszcza jeśli planujesz wejść branża modowa, detaliczna czy reklamowa. Możesz sprawdzić kod tego projektu na GitHub i Notes Colab też.

8. Wykrywanie senności kierowcy

Wypadek drogowy to poważny problem, a głównym powodem są senni kierowcy. Ale możesz zapobiec temu problemowi, tworząc wykrywanie senności kierowcy pomimo napiętego harmonogramu

System Driver Drowsiness Detection wykrywa senność kierowcy, stale oceniając oczy kierowcy i ostrzegając go alarmami.

Do tego projektu niezbędna jest kamera internetowa do monitorowania oczu kierowcy. Python, OpenCV i Keras służą do ostrzegania kierowcy, gdy czuje się śpiący.

Możesz sprawdzić ten kompletny samouczek projektu tutaj, System wykrywania senności kierowcy z OpenCV i Keras.

Oryginalny. Przesłane za zgodą.

Bio: Aksa Zafardr hab. stypendystka Data Mining bada „Depression Detection from Social Media via Data Mining” i pisze o Data Science i uczeniu maszynowym na MLTUT dzielenie się wiedzą i doświadczeniem w tej dziedzinie.

Związane z:

• 10 najlepszych projektów z zakresu analizy danych dla początkujących
• 4 wskazówki dotyczące kuracji zbioru danych w projektach NLP
• 21 projektów uczenia maszynowego — w zestawie zestawy danych