By Акса Зафар, Кандидат наук. Ученый в области машинного обучения | Основатель МЛТУТ | Солопренер | Blogger.

1. Определение породы собаки

Есть разные породы собак, и большинство из них похожи друг на друга. Как новичок, вы можете построить модель идентификации породы собаки для определения породы собаки.

В этом проекте вы можете использовать набор данных о породах собак для классификации различных пород собак по изображению. Вы можете скачать набор данных о породах собак из Kaggle.

Я также нашел это полное руководство для Классификация пород собак с использованием глубокого обучения Кирилла Панарина.

2. Распознавание лиц

Это также хороший проект глубокого обучения для новичков. В этом проекте вам нужно построить модель глубокого обучения, которая распознает человеческие лица по изображению.

Распознавание лиц - это технология компьютерного зрения. При распознавании лиц вы должны находить и визуализировать человеческие лица на любом цифровом изображении.

Вы можете собрать этот проект на Python, используя OpenCV. Чтобы получить полное руководство, ознакомьтесь с этой статьей, RРаспознавание лиц в реальном времени с помощью Python и OpenCV.

3. Выявление болезней сельскохозяйственных культур

В этом проекте вы должны построить модель, которая прогнозирует заболевания сельскохозяйственных культур. с использованием изображений RGB. Для построения модели обнаружения болезней сельскохозяйственных культур используются сверточные нейронные сети (CNN).

CNN делает снимок, чтобы идентифицировать болезнь и обнаружить ее. В сверточной нейронной сети есть несколько этапов. Вот эти шаги:

1. Операция свертки.
2. Слой ReLU.
3. Объединение.
4. Сплющивание.
5. Полное подключение.

Вы можете скачать набор данных изображений сельскохозяйственных культур от Kaggle.

4. Классификация изображений с помощью набора данных CIFAR-10

Классификация изображений - лучший проект для начинающих. В проекте классификации изображений вы должны классифицировать изображения по различным классам.

Для этого проекта вы можете использовать набор данных CIFAR-10, содержащий 60,000 10 цветных изображений. Эти изображения делятся на XNUMX классов, таких как автомобили, птицы, собаки, лошади, корабли, грузовики и т. Д.

Источник: набор данных CIFAR-10.

Для обучающих данных используется 50,000 10,000 изображений, а для тестовых данных используется XNUMX XNUMX изображений. Классификация изображений - одно из наиболее часто используемых приложений глубокого обучения. Вы можете скачать Набор данных CIFAR-10 здесь.

5. Распознавание рукописных цифр

Я думаю, что это лучший проект для изучения и проверки ваших навыков глубокого обучения. В этом проекте вы создадите систему распознавания, которая распознает рукописные цифры человека.

Вы можете проверить это руководство на предмет Распознавание рукописных цифр с использованием Python.

В этом руководстве используется Набор данных MNIST и особый тип глубокой нейронной сети - сверточные нейронные сети.

6. Обнаружение цвета

Это проект для начинающих, в котором вам нужно создать интерактивное приложение. Это приложение определит выбранный цвет на любом изображении. Существует 16 миллионов цветов на основе различных значений цвета RGB, но мы знаем только несколько цветов.

Для реализации этого проекта необходимо иметь помеченный набор данных всех цветов, которые мы знаем, а затем вам нужно вычислить, какой цвет больше всего соответствует выбранному значению цвета.

Чтобы реализовать этот проект, вы должны быть знакомы с библиотеками Python для компьютерного зрения OpenCV и Pandas.

Вы можете проверить все детали относительно этого проекта здесь.

7. Анимация изображений в реальном времени.

Это открытый проект по компьютерному зрению. В этом проекте вы должны выполнять анимацию изображений в реальном времени с помощью OpenCV. Я взял это изображение из репозитория проекта на GitHub.

Источник: GitHub.

Как вы можете видеть на изображении, модель имитирует выражение лица человека перед камерой и соответственно изменяет выражение изображения.

Этот проект полезен, особенно если вы планируете войти в индустрии моды, розничной торговли или рекламы. Вы можете проверить код этого проекта на GitHub и Блокнот Colab тоже.

8. Обнаружение сонливости водителя.

ДТП - серьезная проблема, и главная причина - сонные водители. Но вы можете предотвратить эту проблему, создав детектор сонливости водителя. системы.

Система обнаружения сонливости водителя определяет сонливость водителя, постоянно проверяя глаза водителя и предупреждая его с помощью сигналов тревоги.

Для этого проекта необходима веб-камера для наблюдения за глазами водителя. Python, OpenCV и Keras используются для предупреждения водителя, когда он чувствует себя сонным.

Вы можете проверить это полное руководство по проекту здесь, Система обнаружения сонливости водителя с OpenCV и Keras.

Оригинал, Перемещено с разрешения.

Bio: Акса Зафар, Кандидат наук. Ученый в области интеллектуального анализа данных исследует «Обнаружение депрессии в социальных сетях с помощью интеллектуального анализа данных» и пишет о науке о данных и машинном обучении на МЛТУТ поделиться знаниями и опытом в данной области.

Связанный:

• 10 лучших проектов в области науки о данных для начинающих
• 4 совета по курированию наборов данных для проектов НЛП
• 21 проект машинного обучения - включая наборы данных