![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Tracciamento di oggetti con YOLOv8: tracciamento dei veicoli, conteggio (in entrata e in uscita) e stima della velocità
Tracciamento di oggetti con YOLOv8: tracciamento dei veicoli, conteggio (in entrata e in uscita) e stima della velocità
Il video tutorial descrive come implementare il tracciamento degli oggetti, il conteggio dei veicoli e la stima della velocità utilizzando YOLOv8 e DeepSORT. Il relatore condivide un collegamento al repository GitHub contenente il codice e segue il processo di clonazione del repository, download di file DeepSORT, importazione di librerie pertinenti e definizione di un elenco DQ di dati per tenere traccia degli oggetti. Spiegano anche come determinare la direzione del veicolo e incrementare il conteggio di conseguenza. Inoltre, il presentatore mostra come stimare la velocità dei veicoli implementando la formula della distanza euclidea basata sulle coordinate X e Y degli oggetti tracciati e impostare uno spazio per la visualizzazione del conteggio. In definitiva, l'output dello script mostra i conteggi e le velocità degli oggetti, indicando così che l'implementazione ha avuto successo.
Riconoscimento automatico della targa utilizzando YOLOV8 e EasyOCR (immagini e video)
Riconoscimento automatico della targa utilizzando YOLOV8 e EasyOCR (immagini e video)
In questo video di YouTube, il presentatore spiega come implementare il riconoscimento automatico delle targhe utilizzando YOLOV8 e EasyOCR. Guidano gli spettatori attraverso il processo di implementazione utilizzando un notebook Google Colab e un repository GitHub, fornendo istruzioni dettagliate e spiegando come installare le dipendenze e scaricare il set di dati necessario. Il presentatore dimostra la percentuale di successo del modello e il processo di convalida e spiega anche come utilizzare EasyOCR per leggere i numeri di targa. Eseguono le fasi finali dell'esecuzione dello script e incontrano alcuni errori che correggono, ottenendo risultati impressionanti. Sebbene lo script di riconoscimento della targa verrà fornito solo sul repository GitHub del presentatore per i sostenitori di Patreon, gli spettatori possono conoscere le modifiche apportate al file predict.py per risultati simili.
Rilevamento e tracciamento di oggetti in tempo reale utilizzando YOLOv8 su set di dati personalizzati: tutorial completo
Rilevamento e tracciamento di oggetti in tempo reale utilizzando YOLOv8 su set di dati personalizzati: tutorial completo
In questo tutorial video, il relatore introduce un set di dati personalizzato contenente immagini di automobili, camion, motociclette, pick-up, aerei e camper, che viene utilizzato per dimostrare l'implementazione di YOLOv8 con rilevamento e tracciamento. Spiegano l'importanza di un set di dati bilanciato e forniscono istruzioni dettagliate per navigare nel repository GitHub, configurare l'ambiente richiesto e implementare il tracciamento degli oggetti utilizzando l'algoritmo di ordinamento profondo. Il relatore discute anche la matrice di confusione e l'importanza delle perdite di addestramento e convalida durante il test dell'accuratezza del modello eseguendo l'inferenza con un video dimostrativo scaricato da Google Drive. Concludono condividendo il file del quaderno collaborativo per gli interessati.
Tracciamento di oggetti con Opencv e Python
Codice: https://pysource.com/2021/01/28/object-tracking-with-opencv-and-python/
Tracciamento di oggetti con Opencv e Python
Il video tutorial sul tracciamento degli oggetti con OpenCV e Python spiega la differenza tra il rilevamento degli oggetti e il tracciamento degli oggetti e mostra come creare un file di tracciamento degli oggetti per un tracciamento efficiente. Il video delinea i file necessari richiesti, come un video e un file tracker oggetto, e mostra come codificare il file main.py per la visualizzazione video in tempo reale. Il tutorial spiega anche come rimuovere piccoli elementi dalla maschera e definire una regione di interesse per estrarre una porzione dell'immagine da mettere a fuoco sui veicoli. Il video si conclude spiegando il processo di tracciamento degli oggetti e aggiungendo ID univoci agli oggetti per contarli correttamente. Tuttavia, il tutorial afferma che il metodo non è perfetto ma funge da eccellente introduzione al tracciamento degli oggetti e si consiglia un corso più approfondito su OpenCV e deep learning.
Segmentazione e tracciamento di oggetti in tempo reale utilizzando YOLOv8 su set di dati personalizzati: tutorial completo
Segmentazione e tracciamento di oggetti in tempo reale utilizzando YOLOv8 su set di dati personalizzati: tutorial completo
Questo tutorial video è una guida completa sull'utilizzo di YOLOv8 per la segmentazione e il tracciamento di oggetti in tempo reale su set di dati personalizzati. Il tutorial passa attraverso l'intero processo, inclusa l'importazione di set di dati, l'addestramento di modelli personalizzati utilizzando gli algoritmi YOLOv8 e Deep Sort e il test dei modelli su video dimostrativi. Il relatore fornisce il codice e le librerie necessarie per l'implementazione e mostra i risultati delle previsioni del modello. Spiegano anche la matrice di confusione e forniscono collegamenti per accedere ai video di output e ai file polari su GitHub. Nel complesso, questo tutorial è un'ottima risorsa per chiunque desideri conoscere la segmentazione e il tracciamento degli oggetti utilizzando YOLOv8.
Rilevamento di segnali stradali e semafori e riconoscimento dei colori utilizzando YOLOv8
Rilevamento di segnali stradali e semafori e riconoscimento dei colori utilizzando YOLOv8
Questo tutorial di YouTube mostra l'uso di YOLOv8 per il rilevamento dei segnali stradali e il riconoscimento dei colori. Il presentatore introduce il set di dati, che contiene 17 diverse classi di segnaletica stradale con una distribuzione equilibrata delle immagini. Il modello YOLOv8 viene addestrato e perfezionato in oltre 100 epoche, con conseguenti buoni punteggi di precisione media media per iou50 e ioub50. Il relatore dimostra come interpretare la matrice di confusione e convalidare il modello sul set di dati di convalida. Il modello viene quindi testato su due video dimostrativi, che mostrano entrambi risultati di rilevamento accurati. Nel complesso, YOLOv8 funziona bene per rilevare segnali stradali e semafori.
Rilevamento e segmentazione di buche utilizzando YOLOv8 (Immagini e video)| Set di dati personalizzato | Guida completa
Rilevamento e segmentazione di buche utilizzando YOLOv8 (Immagini e video)| Set di dati personalizzato | Guida completa
Questo video mostra come creare un set di dati personalizzato per il rilevamento e la segmentazione delle buche utilizzando YOLOv8. Il relatore mostra i passaggi per la clonazione e l'annotazione dei dati dell'immagine e consiglia di utilizzare Google Collab per addestrare il modello. Vengono inoltre discusse le dipendenze necessarie per YOLOv8, nonché l'impostazione della posizione del set di dati e l'addestramento del modello. Il modello ha raggiunto una precisione media media di 0,532 per il rilevamento e 0,531 per la segmentazione e si è comportato bene nel rilevare buche nei video. Il presentatore conclude il video dopo aver convalidato il modello personalizzato e aver ottenuto buoni risultati.
Rilevamento e tracciamento di oggetti personalizzati YOLOv8 | Rilevamento navi | Esercitazione completa
Rilevamento e tracciamento di oggetti personalizzati YOLOv8 | Rilevamento navi | Esercitazione completa
Il tutorial di YouTube copre l'implementazione di YOLOv8 con il monitoraggio degli oggetti con ordinamento approfondito su un set di dati di rilevamento delle navi personalizzato. Il video illustra come scaricare il set di dati da RoboFlow, configurare un progetto in Expense ID e addestrare il modello in Google Colab. Lo script di addestramento è stato eseguito per 70 epoche e ha prodotto una precisione media media di 0,968 con IOU 50. Il relatore analizza i grafici di perdita e precisione media per mostrare che l'addestramento per più epoche produrrà risultati migliori. Quindi dimostrano come convalidare il modello su un set di dati di convalida e mostrano la precisione media media sulle immagini del set di dati di convalida. Infine, mostrano alcuni video dimostrativi del modello in azione, incluso un esempio di falsa previsione.
YOLOv8 e VGG16 per rilevamento di volti, sesso, conteggio dei volti e monitoraggio delle persone | Set di dati personalizzato
YOLOv8 e VGG16 per rilevamento di volti, sesso, conteggio dei volti e monitoraggio delle persone | Set di dati personalizzato
Il video tutorial spiega il processo di rilevamento dei volti, classificazione di genere, conteggio dei volti e tracciamento delle persone utilizzando i modelli YOLOv8 e VGG16. Il tutorial copre vari aspetti dell'implementazione e dell'addestramento di questi modelli, tra cui la preparazione dei dati, l'aumento dei dati, la messa a punto del modello VGG16 pre-addestrato, l'utilizzo dell'apprendimento del trasferimento e l'addestramento del modello YOLOv8 per il rilevamento dei volti. Il presentatore spiega anche come montare un Google Drive in un taccuino Google Colab, accedere e convertire set di dati di immagini, scaricare le librerie richieste e integrare il tracciamento degli oggetti utilizzando deepsort. Il tutorial fornisce spiegazioni dettagliate sul codice per disegnare riquadri di delimitazione attorno agli oggetti rilevati, integrare il modello di classificazione di genere, contare il numero di volti in un fotogramma e assegnare a ciascun volto rilevato un ID univoco utilizzando deepsort.update.
Contapersone utilizzando YOLOv8 e Tracciamento oggetti | Conteggio persone (entrate e uscite)
Contapersone utilizzando YOLOv8 e Tracciamento oggetti | Conteggio persone (entrate e uscite)
Il video spiega come creare un contatore di persone utilizzando YOLOv8 e il tracciamento degli oggetti. Il processo prevede il rilevamento di oggetti con ID univoci, la ricerca della coordinata centrale dell'oggetto rilevato, il monitoraggio degli oggetti con Deep SORT e il rilevamento quando gli oggetti attraversano linee specifiche per contare il numero di persone che entrano e escono da un'area specifica. Gli ID univoci vengono memorizzati in elenchi per contare le persone che entrano ed escono dall'area e i conteggi vengono visualizzati graficamente con cerchi verdi e rossi. Il video fornisce anche il codice per il progetto e dimostra l'output del sistema in tempo reale.