Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Tutorial sul rilevamento di oggetti Raspberry Pi
Tutorial sul rilevamento di oggetti Raspberry Pi
In questo tutorial sul rilevamento di oggetti Raspberry Pi, il relatore mostra come installare Tensorflow Lite su un Raspberry Pi e utilizzarlo per la classificazione delle immagini con la dimostrazione della classificazione in tempo reale inclusa. Spiegano anche cos'è lib atlas, un componente cruciale dell'apprendimento automatico per l'algebra lineare e come correggere gli errori correlati su un Raspberry Pi. Il presentatore osserva che un acceleratore USB Coral può essere utilizzato per aumentare la velocità del progetto, ma non è necessario. Nel complesso, il relatore sottolinea la flessibilità dello script per adattarsi a diversi casi o modelli d'uso.
Rilevamento oggetti OpenCV Python | Facile e veloce (2020)
Rilevamento oggetti OpenCV Python | Facile e veloce (2020)
In questo video tutorial intitolato "Object Detection OpenCV Python | Easy and Fast (2020)", il relatore mostra come creare un rilevatore di oggetti utilizzando la libreria OpenCV in Python. Il video si concentra sulla creazione di un rilevatore con un equilibrio tra accuratezza e velocità in grado di rilevare più oggetti comunemente trovati in tempo reale. Il modello MobileNet SSD viene utilizzato per il rilevamento di oggetti grazie alla sua velocità e precisione, mentre il set di dati Coco viene utilizzato per rilevare classi come persona, bicicletta e auto. Il video mostra come scorrere varie variabili utilizzando la funzione zip per creare un rettangolo attorno all'oggetto rilevato e come modificare il codice per eseguire il rilevamento di oggetti su un feed della webcam. Il presentatore spiega anche come regolare il valore di soglia e aggiungere valori di confidenza agli oggetti rilevati per comprendere la probabilità di ciascun oggetto.
Come configurare il rilevamento degli oggetti TensorFlow sul Raspberry Pi
Come configurare il rilevamento degli oggetti TensorFlow sul Raspberry Pi
In questo video, viene spiegato passo dopo passo il processo di configurazione dell'API TensorFlow Object Detection su un Raspberry Pi. Innanzitutto, vengono installati i pacchetti richiesti, inclusi TensorFlow, OpenCV e protobuf. Quindi, viene configurata la struttura TensorFlow e i modelli SSD Lite vengono scaricati dallo zoo dei modelli di rilevamento TensorFlow. Viene fornito uno script Python per il rilevamento degli oggetti e agli spettatori viene mostrato come utilizzarlo con una fotocamera Pi o una webcam USB. Il video copre anche argomenti più avanzati, come il download e l'utilizzo di un modello personalizzato. Il Raspberry Pi è consigliato per progetti creativi che richiedono basso costo e portabilità, come una gattaiola digitale che può inviare un messaggio quando rileva il gatto residente all'esterno.
Riconoscimento facciale con Raspberry Pi + OpenCV + Python
Riconoscimento facciale con Raspberry Pi + OpenCV + Python
Core Electronics mostra come creare un sistema di riconoscimento facciale utilizzando OpenCV e il pacchetto di riconoscimento facciale di Python su un Raspberry Pi. Il tutorial include l'addestramento del sistema utilizzando un codice Python denominato "train_model.py" e il test tramite un codice di identificazione chiamato "facial_req.py". Il sistema può differenziare volti sconosciuti e noti e può anche ruotare il servo una volta che il sistema riconosce un volto noto. Il creatore ringrazia i team di OpenCV e del pacchetto di riconoscimento facciale, insieme a Carolyn Dunn, per aver reso possibile questo tipo di software e nutre grandi speranze per il suo potenziale nei loro progetti futuri.
Come installare TensorFlow 2 e OpenCV su un Raspberry Pi
Come installare TensorFlow 2 e OpenCV su un Raspberry Pi
Questo video fornisce una guida passo passo su come installare TensorFlow 2 e OpenCV su un Raspberry Pi. Il presentatore sottolinea l'importanza di avere un Pi più recente, in particolare un Pi 4 a 64 bit, e fornisce istruzioni su come installare il sistema operativo Raspberry Pi, aggiornare e aggiornare il sistema e selezionare lo script della shell TensorFlow appropriato per il proprio sistema. Il video spiega anche come modificare la versione di Python in 3.7 per coloro che riscontrano problemi con l'installazione e fornisce istruzioni dettagliate sull'installazione di ambienti virtuali, pacchetti di sistema, TensorFlow e OpenCV. In tutto il video, il presentatore fornisce utili suggerimenti e soluzioni a potenziali errori. Il video si conclude testando l'installazione di OpenCV e TensorFlow utilizzando i comandi di importazione e incoraggia gli spettatori a lasciare feedback o richieste.
Identificazione di oggetti e riconoscimento di animali con Raspberry Pi + OpenCV + Python
Identificazione di oggetti e riconoscimento di animali con Raspberry Pi + OpenCV + Python
Il video mostra un progetto Raspberry Pi 4 che utilizza una libreria addestrata e una fotocamera Pi per identificare una vasta gamma di 91 animali e oggetti in tempo reale con una valutazione di affidabilità. Il relatore fornisce una dimostrazione completa di come impostare l'hardware, configurare il Raspberry Pi e installare il software OpenCV per abilitare la visione artificiale in tempo reale e le operazioni di elaborazione delle immagini. Attraverso l'esempio di una tazza come bersaglio, gli spettatori imparano come modificare il codice per inviare segnali tramite i pin GPIO di Raspberry Pi per eseguire azioni specifiche quando OpenCV identifica il bersaglio. Il presentatore evidenzia il potenziale del software per progetti entusiasmanti ed esprime gratitudine verso i team OpenCV e CoCo.
Rilevamento oggetti Raspberry Pi utilizzando OpenCV Python
Rilevamento oggetti Raspberry Pi utilizzando OpenCV Python
Il video di YouTube "Object Detection Raspberry Pi using OpenCV Python" mostra come accedere e modificare un codice per il rilevamento di oggetti, in particolare MobileNet SSD. Il tutorial enfatizza la codifica modulare e fornisce suggerimenti per l'utilizzo del codice su diverse piattaforme, incluso Raspberry Pi. Il video mostra come trasformare il codice in un modulo e creare una funzione che rileva oggetti specifici e controlla i risultati del modello. Il relatore mostra anche come modificare il codice per il rilevamento degli oggetti aggiungendo parametri come il valore di soglia e la soppressione non massima. Il video fornisce i file e le istruzioni necessari per impostare il rilevamento di oggetti su un Raspberry Pi e offre una dimostrazione del rilevamento di oggetti specifici. Il presentatore invita gli spettatori a visitare il loro sito Web per informazioni sul download e sull'abbonamento.
Installa e compila OpenCV python From Source su Raspberry pi 4 e 3
Installa e compila OpenCV python From Source su Raspberry pi 4 e 3
Il video di YouTube spiega due metodi per installare OpenCV per Python su un Raspberry Pi, con il primo che prevede un singolo comando di terminale per installare binari precompilati e il secondo metodo che richiede la creazione di OpenCV dal sorgente. Dopo aver scaricato il sorgente dal repository Github, i passaggi finali della creazione di OpenCV dal sorgente su un Raspberry Pi comportano l'esecuzione dei comandi cmake e make, che potrebbero richiedere diverse ore per essere completati, prima di digitare il comando "sudo make install". Il video mostra come verificare la corretta installazione utilizzando un comando Python. Il video si conclude con un incoraggiamento a mettere mi piace, iscriversi e porre qualsiasi domanda nella sezione dei commenti.
Rete neurale nel tuo telefono: dalla formazione alla distribuzione tramite ONNX
Rete neurale nel tuo telefono: dalla formazione alla distribuzione tramite ONNX
In questo video su "Neural Net in your Phone: From Training to Deployment through ONNX", il relatore mostra come addestrare una rete neurale utilizzando l'API della comunità iNaturalist per identificare diverse specie di funghi in base al fatto che siano tossiche o commestibili. Quindi spiegano come distribuire il modello su un iPhone utilizzando il pacchetto Core ML di Apple. Il relatore sottolinea inoltre l'importanza di formattare il modello addestrato nel formato di file ONNX prima di importarlo in Core ML. Il presentatore sottolinea che EfficientNet sarà il futuro modello per la classificazione delle immagini, con la cura richiesta nella selezione del modello, e suggerisce di costruire classificatori per piante, animali o uccelli.
ONNX su MCU
ONNX su MCU
Rohit Sharma parla delle sfide e delle opportunità dell'esecuzione di modelli ONNX su microcontrollori. Sottolinea che mentre questi dispositivi mancano delle risorse dei server ad alte prestazioni, c'è stato un numero crescente di applicazioni di apprendimento automatico per dispositivi minuscoli a causa del miglioramento delle risorse hardware e degli sforzi della comunità AI per ridurre le dimensioni del modello. Sharma illustra due strumenti per implementare con facilità l'apprendimento automatico sui microcontrollori: DeepSea, un compilatore anticipato open-source che supporta Python e consente agli sviluppatori di creare algoritmi ML personalizzati, e Canvas, una piattaforma senza codice/a basso codice che fornisce oltre 70 minuscole applicazioni ML che possono essere personalizzate per adattarsi al set di dati dell'utente. Fornisce due casi d'uso per questi strumenti, tra cui un guanto indossabile che traduce i gesti dei segni in parole e il rilevamento di parole deboli per dispositivi con assistenza vocale come Amazon Echo.