Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
BILDKLASSIFIZIERUNG mit benutzerdefiniertem Yolov8-Datensatz | Computer Vision-Tutorial
Code: https://github.com/computervisioneng/image-classification-yolov8
BILDKLASSIFIZIERUNG mit benutzerdefiniertem Yolov8-Datensatz | Computer Vision-Tutorial
In diesem Abschnitt erklärt der Referent, wie man das beste Modell für das Projekt auswählt, und macht Vorschläge zwischen der Wahl des letzten Modells, das aus dem Schulungsprozess hervorgegangen ist, oder der Wahl des Modells mit der höchsten Genauigkeit. Die Entscheidung hängt von verschiedenen Faktoren ab, darunter Daten, Problem, Anwendungsfall und Trainingsprozess. Der Referent erklärt auch, wie alle Schlussfolgerungen gezogen und neue Proben vorhergesagt werden, indem YOLO importiert und der absolute Pfad zum Modell angegeben wird, indem ein Bild vom lokalen Computer verwendet und die Ergebnisse angezeigt werden. Die Ergebnisse liefern viele Informationen, einschließlich der Wahrscheinlichkeiten und der Namen der Kategorien, auf die der Bildklassifizierer trainiert wurde.
Trainieren Sie die Yolov8-Objekterkennung auf einem benutzerdefinierten Datensatz | Schritt-für-Schritt-Anleitung | Computer Vision-Tutorial
Code: https://github.com/computervisioneng/train-yolov8-custom-dataset-step-by-step-guide
Trainieren Sie die Yolov8-Objekterkennung auf einem benutzerdefinierten Datensatz | Schritt-für-Schritt-Anleitung | Computer Vision-Tutorial
Dieses Video-Tutorial bietet eine Schritt-für-Schritt-Anleitung zum Trainieren eines Objektdetektors mit YOLOv8 auf einem benutzerdefinierten Datensatz für Computer-Vision-Anwendungen. Das Tutorial behandelt wichtige Aspekte wie Datenerfassung, Kommentierung, Formatierung und Training sowie die Bedeutung der Analyse von Verlustfunktionsdiagrammen und realen Beispielen zur Bewertung der Modellleistung. Das Tutorial betont die Verwendung des CVAT-Tools für Annotationen, die Einhaltung des erforderlichen YOLOv8-Datenformats und die Erstellung einer YAML-Konfigurationsdatei. Das Tutorial demonstriert auch die Verwendung von Google Colab und PyCharm zum Trainieren und Testen des Objektdetektors.
Das Video demonstriert die Leistung eines YOLOv8-Objekterkennungsmodells, das auf einem Alpaka-Datensatz trainiert wurde. Der Sprecher verwendet ein Python-Skript, um Videos zu laden und Vorhersagen auszuführen, die in einigen Fällen eine nahezu perfekte Erkennung und in anderen eine stabile Erkennung zeigen, wobei einige Erkennungen in einem Video verpasst wurden. Der Referent empfiehlt, die Trainings- und Validierungsverlustfunktionen zu analysieren und zu entscheiden, ob Raum für Verbesserungen besteht, bevor das Modell erneut trainiert wird, um ein leistungsfähigeres und leistungsfähigeres Modell zu erhalten.
Yolov8 Objekterkennung + Deep Sort Objektverfolgung | Computer Vision-Tutorial
Code: https://github.com/computervisioneng/object-tracking-yolov8-deep-sort
Yolov8 Objekterkennung + Deep Sort Objektverfolgung | Computer Vision-Tutorial
Dieses Video-Tutorial zeigt, wie Sie ein Objekterkennungs- und -verfolgungssystem mit YOLOv8 und Deep Sort implementieren. Der Moderator geht Schritt für Schritt durch den Prozess, vom Einrichten der Umgebung, Laden und Erkennen von Objekten in einem Video mit YOLOv8 bis hin zum Verfolgen der erkannten Objekte im Laufe der Zeit mit Deep Sort. Sie erklären auch, wie wichtig es ist, die richtige Dateistruktur zu erstellen und die erforderlichen Abhängigkeiten zu installieren. Sobald die Erkennungen aus YOLOv8 extrahiert wurden, wird Deep Sort-Objektverfolgung angewendet, um die erkannten Objekte im Laufe der Zeit zu verfolgen. Abschließend erklärt der Moderator, wie die endgültigen Ausgabeframes in einer Videodatei gespeichert werden, und ermutigt die Zuschauer, den Erkennungsschwellenwert für eine bessere Genauigkeit zu ändern.
Bildsegmentierung mit benutzerdefiniertem Yolov8-Datensatz | Computer Vision-Tutorial
Code: https://github.com/computervisioneng/image-segmentation-yolov8
Daten: https://drive.google.com/drive/folders/1JvA2IvHBy2QOnAtPtoy4JbEEmtbz5dnK
Bildsegmentierung mit benutzerdefiniertem Yolov8-Datensatz | Computer Vision-Tutorial
Dieses Tutorial behandelt das Kommentieren von Bildern und das Erstellen einer binären Maske für die semantische Segmentierung, das Formatieren und Strukturieren des Datensatzes für das Training mit YoloV8, das Trainieren des Modells in Google Collab, das Analysieren der Trainingsergebnisse und das Treffen von Vorhersagen mit einem Python-Skript. Der Referent betont, wie wichtig es ist, das Dateisystem zu strukturieren und die Verlustfunktion und Validierungsmetriken zu analysieren, um ein gutes Modell für den benutzerdefinierten YoloV8-Datensatz zu trainieren. Sie diskutieren auch die Auswirkungen fehlerhafter Daten auf die Vorhersagequalität und empfehlen, die Vorhersagen des aktuellen Modells zu verwenden, um ein neues und verbessertes Modell zu trainieren. Insgesamt bietet das Tutorial eine umfassende Anleitung zur Bildsegmentierung mit dem benutzerdefinierten YoloV8-Datensatz.
Tensorflow-Objekterkennung in 5 Stunden mit Python | Vollständiger Kurs mit 3 Projekten
Holen Sie sich den Code Tensorflow-Objekterkennungs-Python-Kurscode: https://github.com/nicknochnack/TFODCourse
Tensorflow-Objekterkennungsreaktions-App: https://github.com/nicknochnack/TFODApp
Tensorflow-Objekterkennung für Raspberry Pi: https://github.com/nicknochnack/TFODRPi
Tensorflow-Objekterkennung in 5 Stunden mit Python | Vollständiger Kurs mit 3 Projekten
Teil 1
Teil 2
Teil 3
Teil 4
Teil 5
mit beiden Händen in verschiedene Richtungen und sehen, wie sich das Modell verhält. Anschließend friert er das Diagramm ein, exportiert es und konvertiert es in tensorflow.js. Er erklärt auch, wie das Modell in den IBM Cloud Object Store hochgeladen wird, und geht durch die Schritte, die im Github-Repository verfügbar sind. Der Kursleiter klont dann das Repository, öffnet eine neue Eingabeaufforderung und zeigt, wie man zu den richtigen Ordnern navigiert.
Teil 6
Reinforcement Learning in 3 Stunden | Vollständiger Kurs mit Python
Code: https://github.com/nicknochnack/ReinforcementLearningCourse
Reinforcement Learning in 3 Stunden | Vollständiger Kurs mit Python
00:00:00 - 01:00:00 Der Videokurs "Reinforcement Learning in 3 Hours" deckt eine Reihe von Themen des Reinforcement Learning ab, darunter die praktische Umsetzung und die Überbrückung der Theorie-Praxis-Kluft. Der Kurs deckt alles ab, von der Einrichtung der RL-Umgebung bis zum Aufbau benutzerdefinierter Umgebungen, mit Schwerpunkt auf dem Training von Reinforcement-Learning-Agenten und deren Bewertung mit verschiedenen Algorithmen und Architekturen. Beliebte RL-Anwendungen wie Robotik und Gaming werden ebenso diskutiert wie die Grenzen von RL, wie die Annahme, dass Umgebungen markovisch sind, und das Potenzial für instabiles Training. Der Kurs verwendet Stable Baselines, eine Open-Source-RL-Bibliothek, und OpenAI Gym, um simulierte Umgebungen zu erstellen. Der Kursleiter erklärt die verschiedenen Arten von Räumen, die zur Darstellung von Aktionen und Werten verwendet werden, die Agenten in einer Umgebung annehmen können, sowie verschiedene RL-Algorithmen wie A2C und PPO. Es wird betont, wie wichtig es ist, die Umgebung vor der Implementierung von Algorithmen zu verstehen, und die Benutzer werden durch die Einrichtung der Rechenplattform für Reinforcement Learning, die Auswahl geeigneter RL-Algorithmen und das Trainieren und Testen des Modells geführt.
01:00:00 - 02:00:00 Dieses YouTube-Video bietet einen dreistündigen Kurs zum Reinforcement Learning mit Python. Der Ausbilder erklärt die Kernkomponenten des bestärkenden Lernens, einschließlich des Agenten, der Umgebung, der Aktion und der Belohnung. In diesem Abschnitt wird erläutert, wie Sie eine Umgebung definieren, ein Modell mithilfe von Reinforcement Learning trainieren und Trainingsprotokolle mithilfe von TensorBoard anzeigen, um den Trainingsprozess zu überwachen. Der Dozent behandelt auch andere Themen, wie das Speichern und erneute Laden eines trainierten Modells, das Testen und Verbessern der Modellleistung, das Definieren einer Netzwerkarchitektur für einen benutzerdefinierten Akteur und eine Wertfunktion in einem neuronalen Netzwerk und die Verwendung von Reinforcement Learning zum Spielen des Atari-Spiels Breakout. Darüber hinaus umfasst der Kurs drei Projekte, die die Lernenden mithilfe von Reinforcement-Learning-Techniken erstellen werden, darunter das Breakout-Spiel in Atari, der Bau eines Rennwagens für autonomes Fahren und die Erstellung benutzerdefinierter Umgebungen mithilfe der OpenAI-Fitnessräume.
02:00:00 - 03:00:00 Dieses YouTube-Video mit dem Titel „Reinforcement Learning in 3 Hours | Full Course using Python“ behandelt verschiedene Themen im Zusammenhang mit Reinforcement Learning. Der Instruktor demonstriert, wie man einen Reinforcement Learning Agent für Atari-Spiele und autonomes Fahren in der Rennwagenumgebung trainiert. Sie stellen auch verschiedene OpenAI-Fitness-Abhängigkeiten, Helfer und stabile Baselines sowie verschiedene Arten von Räumen für verstärkendes Lernen vor. Darüber hinaus behandelt das Video, wie Sie eine benutzerdefinierte Umgebung für Reinforcement Learning erstellen, den Zustand der Umgebung, ihre Beobachtungs- und Aktionsräume definieren, das Modell testen und trainieren und das trainierte Modell nach dem Lernen speichern. Der Ausbilder erörtert auch die Bedeutung des Trainings von Modellen über längere Zeiträume für eine bessere Leistung und ermutigt die Zuschauer, sich zu melden, wenn sie auf Schwierigkeiten stoßen.
Teil 2
Teil 3
Automatische Nummernschilderkennung mit Tensorflow und EasyOCR Vollständiger Kurs in 2 Stunden | Python
Letztes Notizbuch: https://github.com/nicknochnack/RealTimeAutomaticNumberPlateRecognition
Basiscode: https://github.com/nicknochnack/TFODCourse
Automatische Nummernschilderkennung mit Tensorflow und EasyOCR Vollständiger Kurs in 2 Stunden | Python
Das YouTube-Video mit dem Titel „Automatic Number Plate Recognition using Tensorflow and EasyOCR Full Course in 2 Hours | Python“ bietet eine umfassende Anleitung zum Aufbau eines genauen und effizienten automatischen Nummernschilderkennungssystems (ANPR) mit Tensorflow und EasyOCR. Das ANPR-System verwendet ein zweiteiliges System, wobei TensorFlow verwendet wird, um den interessierenden Bereich des Nummernschilds zu erkennen, während EasyOCR den Text aus dem erkannten Bereich extrahiert. Das Video behandelt eine Reihe von Themen, von der Einrichtung virtueller Umgebungen und der Installation notwendiger Abhängigkeiten bis hin zur Vorbereitung von Daten für das Training und der Fehlerbehebung bei Fehlern, die während des Trainings auftreten können. Insgesamt können die Zuschauer ein detailliertes Verständnis dafür gewinnen, wie ein produktionstaugliches ANPR-System mit Echtzeit- oder Standard-Bilderkennungsfunktionen aufgebaut wird.
Das YouTube-Tutorial zur automatischen Nummernschilderkennung (ANPR) mit TensorFlow und EasyOCR behandelt, wie Nummernschilder mithilfe der Objekterkennung genau erkannt und die Kennzeichen mithilfe von OCR extrahiert werden. Der Kursleiter erläutert, wie der Text basierend auf Größe und Koordinaten gefiltert werden kann, um nur die relevanten Informationen von der Platte zu extrahieren. Sie zeigen, wie man GPU-Ressourcen zuweist und den Speicherverbrauch für TensorFlow begrenzt, Bildbewertungen, Klassen und Boxen extrahiert, die die Erkennungsschwelle überschreiten, und OCR mit EasyOCR anwendet. Darüber hinaus behandelt das Video, wie die Ausgabeergebnisse sowohl für Echtzeit- als auch für Bildergebnisse in einer CSV-Datei und einem Ordnerpfad gespeichert werden. Der Sprecher betont, dass der Code für die Zuschauer verfügbar ist, und ermutigt sie, um Hilfe zu bitten und ihr Feedback zu teilen.
Gebärdenspracherkennung mit ACTION RECOGNITION mit Python | LSTM Deep Learning-Modell
Code: https://github.com/nicknochnack/ActionDetectionforSignLanguage
Gebärdenspracherkennung mit ACTION RECOGNITION mit Python | LSTM Deep Learning-Modell
In diesem YouTube-Video mit dem Titel „Sign Language Detection using ACTION RECOGNITION with Python | LSTM Deep Learning Model“ erklärt der Moderator, wie man mithilfe von Aktionserkennung und Schlüsselmodellen einen Ablauf zur Erkennung von Gebärdensprache in Echtzeit erstellt. Der Moderator verwendet OpenCV und MediaPipe Holistic, um Schlüsselpunkte aus Händen, Gesicht und Körper zu extrahieren, und dann TensorFlow und Keras, um ein LSTM-Modell zu erstellen, das die Aktion vorhersagt, die in einer Folge von Frames gezeigt wird. Der Präsentator durchläuft den Prozess des Zugreifens und Extrahierens wichtiger Punkte von der Webcam, richtet eine Schleife für den Zugriff auf die Webcam ein und vereinfacht die Erkennung der Gebärdensprache, indem er die Orientierungspunkte auf das letzte erfasste Bild von der Webcam anwendet. Sie demonstrieren auch, wie der Code geändert werden kann, um fehlende Schlüsselpunkte zu behandeln, und fügen dem Posenmodell und der Gesichtserkennung eine Fehlerbehandlung hinzu. Abschließend erläutert der Referent die Keypoint-Extraktionsfunktion für die Gebärdenspracherkennung mittels Aktionserkennung mit Python.
Das Video bietet eine detaillierte Erklärung, wie Sie ein Gebärdenspracherkennungsmodell mithilfe der Aktionserkennung mit Python erstellen. Um die Daten zu sammeln, erstellt der Moderator Ordner für jede Aktion und Sequenz und modifiziert die MediaPipe-Schleife, um 30 Schlüsselpunktwerte pro Video für jede Aktion zu sammeln. Die Daten werden vorverarbeitet, indem Labels und Features für das LSTM-Deep-Learning-Modell erstellt werden, und das Modell wird mit TensorFlow und Keras trainiert. Das trainierte Modell wird unter Verwendung einer Multi-Label-Verwirrungsmatrix und einer Genauigkeitsbewertungsfunktion bewertet. Schließlich wird eine Echtzeiterkennung eingerichtet, indem neue Variablen für die Erkennung erstellt, Rahmen verkettet und Vorhersagelogik angewendet wird, wobei eine Schwellenwertvariable implementiert ist, um Ergebnisse oberhalb einer bestimmten Konfidenzmetrik wiederzugeben.
Das Video-Tutorial zeigt, wie Python und ein LSTM-Deep-Learning-Modell für die Erkennung von Gebärdensprache mithilfe der Aktionserkennung verwendet werden. Der Sprecher ging durch die Vorhersagelogik und erklärte den Code, sodass er leicht verständlich wurde. Sie zeigten den Zuschauern auch, wie sie den Code anpassen können, indem sie die Append-Methode verwenden, den Erkennungsschwellenwert erhöhen und eine Wahrscheinlichkeitsvisualisierung hinzufügen, um die Erkennung visuell überzeugend zu machen. Der Referent behandelte auch, wie man überprüft, ob das Ergebnis über dem Schwellenwert liegt, wie man Wahrscheinlichkeiten manipuliert und wie man das Projekt erweitert und modifiziert, indem man zusätzliche Aktionen oder Visualisierungen hinzufügt. Abschließend stellte der Redner die zusätzliche Logik des Modells vor, die Fehlerkennungen minimiert und die Genauigkeit des Modells verbessert, zusammen mit einer Einladung, das Video und den Kanal zu unterstützen.
Numerik des maschinellen Lernens an der Universität Tübingen im Wintersemester 2022/23. Vortrag 1 - Einführung -- Philipp Hennig
Numerik von ML 1 -- Einführung -- Philipp Hennig
In diesem Video geht Philipp Hennig auf die Bedeutung des Verständnisses numerischer Algorithmen beim maschinellen Lernen ein und stellt die Studieninhalte für das Semester vor. Der erste behandelte numerische Algorithmus ist die lineare Algebra mit einer Anwendung in der Gaußschen Prozessregression. Hennig diskutiert auch die Rolle von Simulation, Differentialgleichungen, Integration und Optimierung beim maschinellen Lernen. Er stellt neue Entwicklungen in numerischen Algorithmen vor, wie z. B. algorithmische Spines, Observables und probabilistische numerische Algorithmen. Während des gesamten Videos betont Hennig die Bedeutung der Aktualisierung klassischer Algorithmen, die beim maschinellen Lernen verwendet werden, um komplexe Probleme zu lösen, und hebt die Rolle des Schreibens von Code in diesem Informatikkurs hervor.
Philipp Hennig stellt seinen Kurs zu Numerik des maschinellen Lernens vor, der darauf abzielt zu erforschen, wie Algorithmen des maschinellen Lernens innerhalb der Box funktionieren und wie sie angepasst oder verändert werden können, um lernende Maschinen zu verbessern. Das hochtechnische Wissen in numerischen Algorithmen und maschinellen Lernalgorithmen ist bei Forschern und Fachleuten aus der Industrie sehr gefragt. Der Kurs besteht aus Theorie und Codierungsarbeit, wobei die Aufgaben nach einem binären System bewertet werden. Hennig betont die Bedeutung numerischer Algorithmen beim maschinellen Lernen und lädt die Studierenden ein, an diesem einzigartigen Lehrexperiment mit neun verschiedenen Dozenten teilzunehmen.
Vorlesung 2 -- Numerische lineare Algebra -- Marvin Pförtner
Numerik der ML 2 -- Numerische lineare Algebra -- Marvin Pförtner
Numerische lineare Algebra ist grundlegend für maschinelles Lernen, Gaußsche Prozesse und andere nichtparametrische Regressionsmethoden. Die Vorlesung behandelt verschiedene Aspekte der numerischen linearen Algebra, darunter die Bedeutung des Verständnisses der Struktur einer Matrix für eine effizientere Multiplikation, die Optimierung von maschinellen Lernalgorithmen durch das Lösen von Hyperparameter-Auswahlproblemen und das Berechnen von Kernel-Matrizen sowie die Lösung eines linearen Systems unter Verwendung der LU-Zerlegung, unter anderem. Der Vortrag betont auch die Bedeutung der richtigen Implementierung von Algorithmen, da der für mathematische Operationen verwendete Algorithmus einen erheblichen Einfluss auf die Leistung, Stabilität und den Speicherverbrauch hat.
Im zweiten Teil des Videos geht Marvin Pförtner auf die Bedeutung der numerischen linearen Algebra in Algorithmen des maschinellen Lernens ein. Er behandelt verschiedene Themen, darunter LU-Zerlegung, Cholesky-Zerlegung, Matrix-Inversions-Lemma und Gaußsche Prozessregression. Pförtner betont die Bedeutung der Verwendung von Strukturen, um Algorithmen effizienter zu machen, und hebt die Bedeutung numerischer Stabilität beim Lösen großer Gleichungssysteme in der Regression von Gaußschen Prozessen hervor. Er diskutiert auch Techniken wie aktives Lernen und Annäherungen mit niedrigem Rang, um mit großen Datensätzen und den möglichen Speicherbeschränkungen von Kernel-Matrizen umzugehen. Insgesamt zeigt das Video die entscheidende Rolle, die die numerische lineare Algebra in vielen Aspekten des maschinellen Lernens spielt.