By Aqsa Zafar, Ph.D. Lärare i maskininlärning | Grundare på MLTUT | Solopreneur | Blogger.

1. Hundrasrasidentifiering

Det finns olika hundraser, och de flesta av dem liknar varandra. Som nybörjare kan du bygga en hunds rasidentifieringsmodell för att identifiera hundens ras.

För det här projektet kan du använda hundrasrasuppsättningen för att klassificera olika hundraser från en bild. Du kan ladda ner hundrasrasuppsättningen från Kaggle.

Jag hittade också denna kompletta handledning för Klassificering av hundraser med hjälp av Deep Learning av Kirill Panarin.

2. Ansiktsigenkänning

Detta är också ett bra djupinlärningsprojekt för nybörjare. I det här projektet måste du bygga en djupinlärningsmodell som detekterar de mänskliga ansiktena från bilden.

Ansiktsigenkänning är datorsynsteknik. Vid ansiktsigenkänning måste du lokalisera och visualisera de mänskliga ansiktena i vilken digital bild som helst.

Du kan bygga detta projekt i Python med OpenCV. För hela handledningen, kolla den här artikeln, Real-time Face Recognition med Python & OpenCV.

3. Grödsjukdomsdetektering

I detta projekt måste du bygga en modell som förutsäger sjukdomar i grödor med RGB -bilder. För att bygga en modell för detektering av grödsjukdomar används Convolutional Neural Networks (CNN).

CNN tar en bild för att identifiera sjukdomen och upptäcka den. Det finns olika steg i konvolutionellt neuralt nätverk. Dessa steg är:

1. Konvolutionsoperation.
2. ReLU -lager.
3. Poolning.
4. Plattning.
5. Full anslutning.

Du kan ladda ner datasetet Jordbruksgröda bilder från Kaggle.

4. Bildklassificering med CIFAR-10 Dataset

Bildklassificering är det bästa projektet för nybörjare. I ett bildklassificeringsprojekt måste du klassificera bilderna i olika klasser.

För detta projekt kan du använda CIFAR-10 Dataset, som innehåller 60,000 10 färgbilder. Dessa bilder är kategoriserade i XNUMX klasser, till exempel bilar, fåglar, hundar, hästar, fartyg, lastbilar etc.

Källa: CIFAR-10 dataset.

För utbildningsdata finns det 50,000 10,000 bilder, och för testdata används XNUMX XNUMX bilder. Bildklassificering är en av de mest använda applikationerna för djupinlärning. Du kan ladda ner CIFAR-10 dataset här..

5. Handskriven sifferigenkänning

För att utforska och testa dina djupa inlärningskunskaper tycker jag att detta är det bästa projektet att överväga. I detta projekt kommer du att bygga ett igenkänningssystem som känner igen mänskliga handskrivna siffror.

Du kan kolla den här självstudien för Handskriven sifferigenkänning med Python.

Denna handledning använder MNIST -dataset och en speciell typ av djupt neuralt nätverk som är konvolutionella neurala nätverk.

6. Färgdetektering

Detta är ett projekt på nybörjarnivå där du måste bygga en interaktiv app. Denna app identifierar den valda färgen från vilken bild som helst. Det finns 16 miljoner färger baserade på de olika RGB -färgvärdena, men vi kan bara några få färger.

För att genomföra detta projekt måste du ha en märkt dataset med alla färger som vi känner till, och sedan måste du beräkna vilken färg som liknar mest med det valda färgvärdet.

För att genomföra detta projekt bör du vara bekant med Computer Vision Python -bibliotek OpenCV och Pandas.

Du kan kontrollera alla detaljer om detta projekt här..

7. Bildanimering i realtid

Detta är ett projekt med öppen källkod om datorsyn. I det här projektet måste du utföra bildanimering i realtid med OpenCV. Jag har tagit den här bilden från projektets GitHub -arkiv.

Källa: GitHub.

Som du kan se på bilden efterliknar modellen uttrycket för personen framför kameran och ändrar bilduttrycket i enlighet därmed.

Detta projekt är användbart, särskilt om du planerar att gå in mode-, detaljhandel- eller reklamindustrin. Du kan kontrollera koden för detta projekt på GitHub och Colab anteckningsbok också.

8. Detektering av förarsamhet

Vägolycka är ett allvarligt problem, och den främsta orsaken är de sömniga förarna. Men du kan förhindra detta problem genom att skapa en föraren som känner av dåsighet systemet.

Förarens sömnighetsdetekteringssystem upptäcker förarens sömnighet genom att ständigt bedöma förarens ögon och varna honom med larm.

För detta projekt krävs en webbkamera för att övervaka förarens ögon. Python, OpenCV och Keras används för att varna föraren när han känner sig sömnig.

Du kan kolla den här kompletta projekthandledningen här, System för avkänning av förare med OpenCV och Keras.

Ursprungliga. Skickas om med tillstånd.

Bio: Aqsa Zafar, Ph.D. forskare i Data Mining forskar om "Depression Detection from Social Media via Data Mining" och skriver om datavetenskap och maskininlärning vid MLTUT att dela kunskap och erfarenhet inom området.

Relaterat:

• Topp 10 datavetenskapsprojekt för nybörjare
• 4 tips för datasamling för NLP-projekt
• 21 maskininlärningsprojekt - datauppsättningar ingår