Raspberry Pi'de derin öğrenme hedef tespiti nasıl kolayca gerçekleştirilir?
Lei Feng Net Not: Bu makale, AI Araştırma Enstitüsü tarafından derlenen teknik bir blogdur, orijinal başlığı Raspberry Pi'de Derin Öğrenme ile Nesneleri Kolayca Algılayabilir ve yazar Sarthak Jain'dir. Tercüme | Little Brother Baboon Düzeltme | Lao Zhao Bitirme | Fan Jiang
Bu gerçek dünya, sınırlı veri ve yalnızca minyatür bilgisayar donanımı (cep telefonları ve Raspberry Pi gibi) nedeniyle karmaşık derin öğrenme modellerinin çalıştırılamaması gibi birçok zorluğa neden oldu. Bu makale, hedef tespit için Raspberry Pi'nin nasıl kullanılacağını gösterir. Yoldaki bir araba, buzdolabındaki turuncu, belge üzerindeki imza ve uzaydaki Tesla gibi.
Sorumluluk reddi: Çok az veriyle ve bilgisayar donanımı olmadan makine öğrenimi modelleri oluşturmaya yardımcı olmak için nanonets.com'u oluşturuyorum.
Acil iseniz, Github deposuna girmek için lütfen bu makalenin altına kaydırın.
Mumbai otoyollarında araçları tespit etme
Nesne algılama neden? Raspberry Pi neden?
Raspberry Pi, 15 milyon adetlik satışla bir nesil tüketicinin ilgisini çeken esnek bir bilgisayar donanımıdır ve bilgisayar korsanları, Raspberry Pi üzerinde birçok harika proje de inşa etmişlerdir. Derin öğrenmenin ve Raspberry Pi kameralarının popülaritesi göz önüne alındığında, Raspberry Pi'deki rastgele nesneleri tespit etmek için derin öğrenmenin kullanılmasının harika olacağını düşünüyoruz.
Artık özçekiminizdeki fotoğraf bombasını tespit edebilirsiniz, birisi Acı soslu Harambenin kafesine girer veya evinize bir Amazon kuryesi girer.
Nesne algılama nedir?
20 milyon yıllık evrim, insan görsel sisteminin oldukça yüksek bir evrim geçirmesini sağlamıştır. İnsan beynindeki nöronların% 30'u görsel bilgilerin işlenmesinden sorumludur (bu oran dokunma için yalnızca% 8 ve işitme için% 3'tür). Makinelerle karşılaştırıldığında, insanların iki ana avantajı vardır. Biri stereo görüş, diğeri ise eğitim veri setlerinin neredeyse sınırsız olmasıdır (beş yaşındaki bir bebek yaklaşık 30 fps'lik bir örnekleme aralığında 2.7B görüntü verisi elde edebilir).
İnsan düzeyindeki performansı taklit etmek için bilim adamları, görsel algılama görevlerini dört farklı kategoriye ayırıyor.
1. sınıflandırma Resme bir etiket atamak için.
2. Konumlandırma Belirli bir etikete kenarlık atamak için.
3. Nesne algılama Görüntüde birden çok kenarlık çizmek için.
4. Resim parçalama , Görüntüdeki nesnenin kesin konum alanını alın.
Nesne algılama, birçok uygulama için yeterince iyidir (görüntü bölümleme daha doğru bir sonuçtur ve eğitim verisi oluşturmanın karmaşıklığından etkilenir. Bir sınır çizmeye kıyasla, görüntüyü bölümlere ayırmak genellikle bir insan etiketleyicinin 12 kez alır.) Nesne algılandıktan sonra, nesne çerçeve içinde ayrı ayrı bölümlere ayrılabilir.
Nesne algılamayı kullanın:
Hedef tespiti önemli pratik öneme sahiptir ve çeşitli endüstrilerde yaygın olarak kullanılmaktadır. Bazı örnekler aşağıda listelenmiştir:
Kendi sorunlarımı çözmek için nesne algılamayı nasıl kullanabilirim?
Nesne algılama, çeşitli sorunları çözmek için kullanılabilir. Bunlar genel bir sınıflandırmadır:
1. Nesne resmimde görünüyor mu? Örneğin, evimde bir davetsiz misafir var.
2. Görüntüdeki nesne nerede? Örneğin, bir araba dünyayı dolaşmaya çalışırken, bir nesnenin yerini bilmek önemlidir.
3. Resimde kaç tane nesne var? Nesne algılama, nesne sayısını saymanın en etkili yöntemlerinden biridir. Örneğin depo raflarında kaç kutu var.
4. Görüntüdeki farklı nesne türleri nelerdir? Örneğin hayvanat bahçesinin hangi bölgelerinde hangi hayvanlar var?
5. Nesnenin boyutu nedir? Özellikle statik bir kamera ile nesnenin boyutunu hesaplamak kolaydır. Örneğin, mangonun boyutu nedir?
6. Nesneler nasıl etkileşim kurar? Örneğin, futbol sahasındaki diziliş maçın sonucunu nasıl etkiliyor?
7. Nesneler farklı zamanlarda nerede (bir nesnenin izlenmesi)? Örneğin tren gibi bir nesneyi takip etmek ve hızını hesaplamak.
20 satır kodda tam nesne algılama
YOLO algoritmasının görselleştirilmesi
Nesne algılama için birçok model veya yapı vardır. Her biri hız, boyut ve doğruluk arasında bir değiş tokuş. En popüler olanı seçtik: YOLO (Yalnızca bir kez bakarsınız) ve 20 satır kodla nasıl çalıştığını gösterdik (yorumları göz ardı ederek).
Not: Bu sözde koddur, çalışan bir örnek değildir. Aşağıdaki şekilde gösterildiği gibi, CNN'den oluşan çok standart bir kara kutusu vardır:
(YOLO) 'nun tam metnini okuyabilirsiniz: https://pjreddie.com/media/files/papers/yolo_1.pdf
YOLO'da evrişimli sinir ağı kullanmanın mimari kodu aşağıdaki gibi 20 satırdan azdır:
Hedef tespiti için derin öğrenme modeli nasıl oluşturulur?
Derin öğrenme iş akışının üç bölüme ayrılmış 6 temel adımı vardır:
1. Eğitim setini toplayın
2. Modeli eğitmek
3. Yeni görüntüleri tahmin edin
Aşama 1 - Eğitim verilerini toplayın
1. Adım. Resimleri toplayın (nesne başına en az 100 resim)
......
Okumaya devam etmek istiyorsanız, lütfen AI Araştırma Topluluğu topluluğumuza gidin:
AI Araştırma Enstitüsü'nde daha heyecan verici içerikler mevcuttur.
Farklı alanlar arasında bilgisayar görüşü, konuşma semantiği, blok zinciri, otonom sürüş, veri madenciliği, akıllı kontrol, programlama dilleri ve diğer günlük güncellemeler bulunur.
Leifeng.com (Genel Hesap: Leifeng.com)
Daha heyecan verici içerik izlemek için makalenin sonundaki [Orijinal metni okuyun] 'u tıklayın:
İnsan poz tespiti için derin öğrenme kullanan OpenCV (C ++ / Python) tabanlı
Azure'da nesne algılama için dağıtılmış derin öğrenme için Horovod çerçevesi nasıl kullanılır
OpenCV tabanlı YOLOv3 kullanarak derin öğrenmede nesne algılama
Yüz tanımanın Amazon, Google, Microsoft vb. Şirketler tarafından karşılaştırılması
Stanford CS231n Li Feifei Bilgisayarla Görme Klasik Kursu (Çince ve İngilizce iki dilli altyazı + ev ödevi açıklaması + gerçek savaş paylaşımı)
Çevirmeni bekliyorum:
Kişi algılama sorununu 10 dakikada çözebilir misiniz?
Node.js komut satırı arayüzüne ve sinir ağı modeline dayalı görüntü sınıflandırması yazmak için OpenCV nasıl kullanılır?
Derin öğrenme, denetimli yöntemlerden gelir
