取引のためのONNXの学習 - ページ 10

[MetaQuotes]

オブジェクト検出のために Raspberry Pi で TensorFlow Lite を実行する方法

オブジェクト検出のために Raspberry Pi で TensorFlow Lite を実行する方法

このチュートリアルでは、オブジェクト検出のために Raspberry Pi に TensorFlow Lite をセットアップする方法について説明します。これには、Pi の更新、カメラ インターフェイスの有効化、GitHub リポジトリのダウンロード、仮想環境の作成、TensorFlow と OpenCV のインストール、必要なすべてのパッケージと依存関係をインストールするためのシェル スクリプトの実行が含まれます。ユーザーは、Google が提供するサンプル モデルをダウンロードするか、独自のカスタム モデルをトレーニングできます。モデルの準備ができたら、ユーザーは Python 3 でコードを実行して、リアルタイムのウェブカメラ検出スクリプト、ビデオと画像の検出を確認できます。 TensorFlow Lite の改善された速度は、スマート カメラやアラーム システムなどのリアルタイム検出アプリケーションに役立ちます。作成者は、独自のペット検出プロジェクトについても言及し、Coral USB アクセラレータのセットアップに関する次のビデオに引き続き注目するよう視聴者に勧めています。

• 00:00:00 このセクションのビデオ チュートリアルでは、オブジェクト検出のために Raspberry Pi に TensorFlow Lite をセットアップする方法について、順を追って説明します。 TensorFlow Lite は軽量の機械学習モデルで、Pi などの低電力デバイスで実行するように最適化されており、推論時間が短縮され、必要な処理能力が少なくて済みます。このチュートリアルでは、Pi の更新、カメラ インターフェイスの有効化、GitHub リポジトリのダウンロード、仮想環境の作成、TensorFlow と OpenCV のインストール、必要なすべてのパッケージと依存関係をインストールするためのシェル スクリプトの実行について説明します。このビデオには、エラーに対処してヘルプを表示するためのヒントも含まれており、GitHub ガイドには、一般的なエラーと解決策のリストが含まれています。
  
  
• 00:05:00 このセクションでは、スピーカーが TensorFlow Lite の検出モデルをセットアップする方法を説明します。ユーザーは、Google が提供するサンプル モデルをダウンロードするか、独自のカスタム モデルをトレーニングできます。 Google のサンプル モデルは、MS cocoa データセットでトレーニングされた量子化された SSD モバイル ネット モデルであり、最小限の精度低下で 80 個の一般的なオブジェクトを検出できます。サンプル モデルをダウンロードするには、リンクを右クリックします。
  ダウンロードは「W git」、解凍は「unzip」でターミナル上で実行してください。さらに、講演者は、検出モデルをトレーニングして TensorFlow Lite に変換したいユーザー向けに、GitHub で書面によるガイドを提供しています。モデルの準備ができたら、ユーザーは Python 3 でコードを実行して、リアルタイムのウェブカメラ検出スクリプト、ビデオと画像の検出を確認できます。講演者はまた、次のビデオで、Google の合唱 USB アクセラレータを使用して検出速度を大幅に向上させる方法を説明すると述べました。
  
  
• 00:10:00 このセクションで、動画作成者は、TensorFlow Lite の改善された速度により、スマート カメラやアラーム システムなどのリアルタイム検出アプリケーションに役立つと述べています。彼らはまた、彼ら自身のプロジェクトである、猫が外に出たい場合にオブジェクト検出を使用して警告するペット検出ビデオについて言及し、さらに TensorFlow コンピューター ビジョン プロジェクトを投稿する予定であると述べています。最後に視聴者に感謝の意を表し、Coral USB アクセラレータのセットアップに関する次のビデオに引き続き注目するよう促します。

[MetaQuotes]

Raspberry Pi オブジェクト検出チュートリアル

Raspberry Pi オブジェクト検出チュートリアル

この Raspberry Pi オブジェクト検出チュートリアルでは、発表者が Tensorflow Lite を Raspberry Pi にインストールし、リアルタイム分類のデモを含む画像分類に使用する方法を示します。また、線形代数の機械学習の重要なコンポーネントである lib atlas とは何か、および Raspberry Pi で関連するエラーを修正する方法についても説明します。プレゼンターは、Coral USB アクセラレータを使用してプロジェクトの速度を上げることができますが、必須ではないと述べています。全体として、プレゼンターは、さまざまなユースケースやモデルに適合するスクリプトの柔軟性を強調しています。

• 00:00:00 ビデオのこのセクションでは、発表者が Raspberry Pi に Tensorflow Lite をインストールし、それを画像分類に使用するためのチュートリアルを提供します。プレゼンターは Tensorflow のサンプル ライブラリを使用し、必須ではありませんが、プロジェクトの速度を上げるために Coral USB アクセラレータを使用できることを指摘しています。まず、発表者は Raspberry Pi をアップグレードし、仮想環境を作成します。プレゼンターは、Tensorflow Lite ランタイムをインストールする前に、環境を有効にして必要なパッケージをインストールする方法を実演します。最後に、プレゼンターはバージョンをチェックして、すべてが正しくインストールされていることを確認します。
  
  
• 00:05:00 このセクションでは、スピーカーは Raspberry Pi でオブジェクト検出の例を実行しますが、lib atlas に関連するエラーが発生します。彼らは、lib atlas は、機械学習の重要な要素である線形代数にとって不可欠であると説明しています。彼らは、sudo apt-get install lib atlas bass dash dev を実行して問題を修正した方法を示しています。次にスピーカーは、Raspberry Pi を使用したリアルタイム分類を実演し、さまざまなユース ケースやモデルに合わせてスクリプトを変更できることを強調します。

[MetaQuotes]

オブジェクト検出 OpenCV Python |簡単で速い (2020)

オブジェクト検出 OpenCV Python |簡単で速い (2020)

「Object Detection OpenCV Python | Easy and Fast (2020)」というタイトルのこのビデオ チュートリアルでは、プレゼンターは Python で OpenCV ライブラリを使用してオブジェクト検出器を作成する方法を示します。このビデオでは、一般的に検出される複数のオブジェクトをリアルタイムで検出できる、精度と速度のバランスがとれた検出器の作成に焦点を当てています。 MobileNet SSD モデルは、その速度と精度により物体検出に使用され、coco データセットは人、自転車、車などのクラスの検出に使用されます。このビデオでは、zip 関数を使用してさまざまな変数をループ処理し、検出されたオブジェクトの周囲に四角形を作成する方法と、コードを変更して Web カメラ フィードでオブジェクト検出を実行する方法を示します。また、プレゼンターは、しきい値を調整し、検出されたオブジェクトに信頼値を追加して、各オブジェクトの確率を理解する方法についても説明します。

• 00:00:00 ビデオのこのセクションでは、精度と速度のバランスが取れたオブジェクト検出器を作成する方法について作成者が説明しています。検出器は、複数の一般的なオブジェクトを検出しながらリアルタイムで実行でき、OpenCV 以外のサードパーティ ライブラリを実行する必要はありません。このビデオでは、オブジェクト検出器を作成するコードを紹介し、精度と速度のバランスが良く、ほぼリアルタイムで CPU 上で実行できる MobileNet SSD の使用方法を詳細に説明しています。共通オブジェクトの検出。最後に、opencv-python は検出器を実行するために必要な唯一のライブラリであり、coco データセットは人、自転車、車などのクラスを検出するために使用されます。
  
  
• 00:05:00 ビデオ チュートリアルのこのセクションでは、プレゼンターが Python で OpenCV ライブラリを使用して画像を表示する方法を示します。 with open 関数を使用して coco データセットからオブジェクトの名前をインポートし、それを配列として読み込みます。次に、構成ファイルと重みをインポートし、OpenCV 関数を使用してモデルを作成します。バウンディング ボックスを抽出するために技術を適用する必要があった YOLO ビデオ チュートリアルとは異なり、関数がすべての処理を行い、必要なのは画像を渡すだけで、バウンディング ボックスと ID 名が表示されます。
  
  
• 00:10:00 このセクションのビデオ チュートリアルでは、OpenCV と Python を使用してオブジェクト検出を実行する方法について説明します。検出モデルを構成した後、コードは入力画像をモデルに送信し、クラス ID、信頼レベル、および境界ボックスを返します。このチュートリアルでは、大規模なインストールや手続きを行うことなく、オブジェクト検出器をできるだけ迅速かつ簡単に起動して実行することに焦点を当てています。このコードは、自動運転車やロボット デバイスなど、さまざまなアプリケーションに利用できます。このチュートリアルでは、クラス ID の重要性と、クラス名を参照するときに値から 1 を引くことの重要性についても触れています。
  
  
• 00:15:00 このセクションでは、講師が zip 関数を使用して 3 つの異なる変数または情報をループする方法を説明します。 zip を使用して信頼度と境界ボックスの変数を平坦化し、for ループを使用して検出されたオブジェクトの周囲に四角形を作成します。また、putText 関数を使用して検出されたオブジェクトの名前を書き込み、クラス名変数を使用してクラス ID から 1 を引いて適切な名前を取得します。インストラクターは、他のパラメーターを追加してラベルをより見やすくし、テキストをすべて大文字に変更します。最後に、画像内の人物を検出することに成功しました。
  
  
• 00:20:00 このセクションのチュートリアルでは、静止画像の代わりに Web カメラ フィードでオブジェクト検出を実行するようにコードを変更する方法を示します。このコードは、「cv2.videoCapture」を使用して Web カメラを初期化し、画像サイズのパラメーターを設定します。 while ループを使用して Web カメラ フィードを常にキャプチャして表示し、表示する前にオブジェクトが検出されたかどうかを確認する条件を追加します。システムは、Web カメラ フィードを使用して、キーボード、モニター、携帯電話、マウスなどのオブジェクトをリアルタイムで正確に検出します。
  
  
• 00:25:00 このセクションでは、オブジェクト検出アルゴリズムは、最高の精度ではない場合でも、優れた速度と精度でオブジェクトを検出できると説明しています。次にビデオは、しきい値を変更し、検出されたオブジェクトに信頼値を追加する方法を示します。その後、YouTuber はプログラムを実行し、検出されたオブジェクトの信頼値がどのように表示されるかを示します。これは、各オブジェクトの確率を理解するのに十分なほど明確に表示されます。

[MetaQuotes]

Raspberry Pi で TensorFlow オブジェクト検出をセットアップする方法

Raspberry Pi で TensorFlow オブジェクト検出をセットアップする方法

このビデオでは、Raspberry Pi で TensorFlow Object Detection API を設定するプロセスを順を追って説明します。最初に、TensorFlow、OpenCV、protobuf などの必要なパッケージがインストールされます。次に、TensorFlow 構造がセットアップされ、TensorFlow 検出モデル ズーから SSD Lite モデルがダウンロードされます。オブジェクト検出用の Python スクリプトが提供されており、視聴者は Pi カメラまたは USB Web カメラでそれを使用する方法を示しています。このビデオでは、カスタム モデルのダウンロードや使用など、より高度なトピックについても説明します。 Raspberry Pi は、外にいる猫を検出するとメッセージを送信できるデジタル キャット フラップなど、低コストで携帯性が求められるクリエイティブなプロジェクトにおすすめです。

• 00:00:00 ビデオのこのセクションでは、ナレーターが Raspberry Pi で TensorFlow Object Detection API をセットアップする方法をガイドします。手順には、Raspberry Pi の更新、TensorFlow、OpenCV、および protobuf のインストール、TensorFlow ディレクトリ構造のセットアップ、オブジェクト検出器のテストが含まれます。ナレーターは、numpy、pillow、scipy、matplotlib などの追加の依存関係をインストールすることもお勧めします。さらに、このビデオでは、スムーズな処理のために libatlas や libAV コーデックをインストールするなどの役立つヒントを提供しています。
  
  
• 00:05:00 このセクションでは、講演者が TensorFlow Object Detection API を Raspberry Pi にインストールする方法を段階的に説明します。まず、lib xvid core dev、lib x264 dev、開発ツール用の QT などの必要なパッケージをインストールし、続いて OpenCV をインストールします。次にスピーカーは、Raspberry Pi に protobuf をインストールする際の課題について説明し、proto bruh fun ソースのコンパイルに必要なパッケージの取得や protobuf リリース ページのダウンロードなど、ソースからコンパイルする方法を視聴者に案内します。最後に、スピーカーは必要なパス コマンドを提供し、プロトコル バッファーの Python 実装をインストールするコマンドを発行します。
  
  
• 00:10:00 このセクションでは、スピーカーは Raspberry Pi に TensorFlow ディレクトリをセットアップするプロセスを説明します。これには、TensorFlow 用のディレクトリの作成と、GitHub からの TensorFlow リポジトリのダウンロードが含まれます。 Python パス環境変数は、TensorFlow リポジトリ内のいくつかのディレクトリを指すように変更する必要があります。これは、bash RC ファイルを変更することによって行われます。講演者は、TensorFlow 検出モデル ズーから SSD Lite モデルをダウンロードする方法と、Pro Talk を使用してオブジェクト検出 API で使用されるプロトコル バッファ ファイルをコンパイルする方法についても説明します。最後に、Pi カメラまたは USB Web カメラからのライブ フィードでオブジェクトを検出するための Python スクリプトが提供されます。そのコードはスピーカーの GitHub リポジトリで入手できます。
  
  
• 00:15:00 このセクションでは、講演者が視聴者に Raspberry Pi で TensorFlow オブジェクト検出を使用する方法を説明します。最初に視聴者にオブジェクト検出用の Python スクリプトをダウンロードして実行するように指示し、構成メニューで PI カメラが有効になっていることを確認します。また、tensorflow は大量のメモリを使用するため、他のすべてのアプリケーション、特に Web ブラウザーを閉じることをお勧めすると説明しています。スピーカーは、ユーザーが自分でトレーニングしたモデルの使用方法も示し、例として独自のトランプ検出モデルへの Dropbox リンクを提供します。視聴者は、オブジェクト検出スクリプトを実行することをお勧めします。これは初期化に最大 1 分かかることがあります。その後、一般的なオブジェクトが検出され、長方形のウィンドウに表示されます。最後に、スピーカーは、外にいる猫を検出するとメッセージを送信するデジタル猫フラップなど、低コストと携帯性を必要とするクリエイティブなアプリケーションに Raspberry Pi を推奨しています。

[MetaQuotes]

Raspberry Pi + OpenCV + Python による顔認識

Raspberry Pi + OpenCV + Python による顔認識

Core Electronics は、Raspberry Pi で OpenCV と Python の顔認識パッケージを使用して顔認識システムを作成する方法を紹介します。このチュートリアルには、「train_model.py」という名前の Python コードを使用したシステムのトレーニングと、「facial_req.py」という識別コードによるテストが含まれています。システムはなじみのない顔と既知の顔を区別でき、システムが既知の顔を認識するとサーボを回転させることもできます。作成者は、この種のソフトウェアを可能にしたことについて、OpenCV と顔認識パッケージ チーム、および Carolyn Dunn の功績を称え、将来のプロジェクトでの可能性に大きな期待を寄せています。

• 00:00:00 このセクションでは、Core Electronics が Raspberry Pi で OpenCV と Python の顔認識パッケージを使用して顔認識システムを作成する方法を示します。まず、Raspberry Pi、公式カメラ、Micro SD カード、HDMI コード、電源など、必要な材料を集めます。ラズベリー pi を構成してパッケージをインストールした後、「train_model.py」という名前の Python コードを使用して顔認識システムをトレーニングし、「facial_req.py」という名前の識別コードを使用してテストする方法を示します。このプログラムにより、Raspberry Pi カメラはライブで顔を検索し、顔を見つけたら正しく識別することができます。また、システムは未知の顔と既知の顔を区別し、それぞれ「未知」または被験者の名前を表示することもできます。
  
  
• 00:05:00 このセクションでは、動画作成者がスクリプトに 6 行のコードを追加して、Raspberry Pi の GPIO ピンを使用してサーボを制御する方法を説明しています。このサーボは、Raspberry Pi システムが所有者の顔を認識した場合にのみ回転します。顔が認識されない場合、または未知の顔が認識された場合、システムはサーボをアクティブにしません。動画制作者は顔を隠して、顔認識時にサーボが動く様子を映し出しています。彼は、OpenCV と顔認識パッケージ チーム、および Carolyn Dunn が、これらのシステムをうまく連携させるソフトウェアを作成したことを認めています。ビデオ クリエーターは、このソフトウェアがプロジェクトを信じられないほどの場所に連れて行く大きな可能性を秘めていると信じています。

[MetaQuotes]

Raspberry Pi に TensorFlow 2 と OpenCV をインストールする方法

Raspberry Pi に TensorFlow 2 と OpenCV をインストールする方法

このビデオでは、TensorFlow 2 と OpenCV を Raspberry Pi にインストールする方法を順を追って説明します。プレゼンターは、新しい Pi、特に 64 ビットの Pi 4 を使用することの重要性を強調し、Raspberry Pi OS のインストール方法、システムの更新とアップグレード方法、システムに適した TensorFlow シェル スクリプトの選択方法について説明します。このビデオでは、インストールで問題が発生した場合に Python バージョンを 3.7 に変更する方法についても説明し、仮想環境、システム パッケージ、TensorFlow、および OpenCV のインストールに関する詳細な手順を提供します。ビデオ全体を通して、プレゼンターは潜在的なエラーに対する役立つヒントと解決策を提供します。このビデオは、インポート コマンドを使用して OpenCV と TensorFlow のインストールをテストすることで締めくくり、視聴者にフィードバックやリクエストを残すよう促しています。

• 00:00:00 ビデオのこのセクションでは、プレゼンターが TensorFlow と OpenCV のオールインワン インストール用に Raspberry Pi をセットアップする方法を説明し、新しい Pi、特に Pi 4 を使用することの重要性から始めます。 64ビットです。このビデオでは、Raspberry Pi OS をインストールし、Raspberry Pi イメージャーを使用してホスト名、ユーザー名、パスワード、および Wi-Fi 構成を設定するプロセスについて説明します。 Pi を起動した後、プレゼンターは視聴者に、システムに適切な TensorFlow シェル スクリプトを選択するために重要な Python バージョンと「uname -m」出力を確認する前に、更新とアップグレードを行うように指示します。また、プレゼンターは、TensorFlow を Raspberry Pi で動作させることができる非公開でホストされているシェル スクリプトとホイール ファイルに視聴者を誘導します。
  
  
• 00:05:00 ビデオのこのセクションでは、プレゼンターが、Raspberry Pi に TensorFlow 2 と OpenCV をインストールする際に問題が発生した場合に備えて、Python のバージョンを 3.7 に変更する方法について説明します。これを行うには、視聴者は pi m を使用し、必要な Python バージョンをインストールする必要があります。プレゼンターは、pi m のインストール方法、dot bash rc ファイルへの行の追加方法、システム パッケージのインストール方法、および pi m の更新方法を実演します。次に、Python バージョン 3.7.12 のインストール方法とプロジェクト ディレクトリの作成方法について説明します。最後に、プレゼンターは視聴者に pi m がどのように機能するかを示し、Python のバージョンを確認します。
  
  
• 00:10:00 このセクションでは、スピーカーは TensorFlow 2 と OpenCV を Raspberry Pi にインストールする方法を説明します。講演者は、適切な TensorFlow ホイール シェル コマンドで Python3.9 または Python3.7 を使用することを提案しています。仮想環境パッケージのインストールと作業環境の作成について説明します。次にスピーカーは、システム パッケージと TensorFlow のインストール方法を説明します。インストールが成功したかどうかを判断するための簡単なテストが用意されています。スピーカーは、ユーザーが遭遇する可能性のあるエラーについても説明し、問題の解決策を提示します。
  
  
• 00:15:00 このセクションでは、スピーカーは OpenCV を Raspberry Pi にインストールする手順を説明します。 Raspberry Pi 3 ユーザーには、特定のビデオで詳しく説明されている特定の方法に従い、次の 1 つのコマンドを実行することをお勧めします: pip install opencv-python.このコマンドの実行にはわずか 10 秒から 20 秒しかかかりません。講演者は、上級ユーザーでない限り、オプション機能を追加しないことを推奨しています。ビデオは、インポート コマンドを使用して OpenCV と TensorFlow のインストールをテストすることで終了し、スピーカーは視聴者にコメント、リクエスト、またはフィードバックを残すように促します。

[MetaQuotes]

Raspberry Pi + OpenCV + Python による物体識別と動物認識

Raspberry Pi + OpenCV + Python による物体識別と動物認識

このビデオでは、トレーニング済みのライブラリと Pi カメラを利用して、広範囲にわたる 91 の動物と物体をリアルタイムで信頼度評価で識別する Raspberry Pi 4 プロジェクトを紹介しています。プレゼンターは、ハードウェアをセットアップし、Raspberry Pi を構成し、OpenCV ソフトウェアをインストールして、リアルタイムのコンピューター ビジョンと画像処理操作を有効にする方法の詳細なデモンストレーションを提供します。ターゲットとしてのカップの例を通して、視聴者はコードを変更して、Raspberry Pi の GPIO ピンを介して信号を送信し、OpenCV がターゲットを識別したときに特定のアクションを実行する方法を学びます。プレゼンターは、エキサイティングなプロジェクトに対するソフトウェアの可能性を強調し、OpenCV および CoCo チームに感謝の意を表します。

• 00:00:00 ビデオのこのセクションでは、プレゼンターが Raspberry Pi 4 をトレーニング済みライブラリおよび Pi カメラと組み合わせて使用し、91 個の固有のオブジェクトと動物をリアルタイムで識別し、信頼度を更新するプロジェクトを紹介します。 . Opencv ソフトウェアは、リアルタイムのコンピューター ビジョンと画像処理の問題を解決するのに役立つリソースを提供するために利用されます。プレゼンターは、ハードウェアのセットアップ、Raspberry Pi の構成、およびソフトウェアのインストールに必要な手順を順を追って説明します。次に視聴者は、コードを実行する方法と、オブジェクトと動物の識別プロセスを改良するためにコードの値のいくつかをいじる方法を示します。
  
  
• 00:05:00 このセクションでは、プレゼンターは、特定のターゲット (この場合はカップ) が OpenCV ソフトウェアによって認識されるたびに、Raspberry Pi の GPIO ピンを介して信号を送信するようにコードを変更する方法を示します。変更されたコードは、カップが検出されるたびに Raspberry Pi が回転するように命令します。このソフトウェアが驚くべきプロジェクトを引き受ける可能性が強調されており、このソフトウェアでの作業に対する OpenCV および CoCo チームへの感謝が示されています。

[MetaQuotes]

OpenCV Python を使用したオブジェクト検出 Raspberry Pi

OpenCV Python を使用したオブジェクト検出 Raspberry Pi

YouTube ビデオ「OpenCV Python を使用したオブジェクト検出 Raspberry Pi」では、オブジェクト検出用のコード、特に MobileNet SSD にアクセスして変更する方法を示しています。このチュートリアルでは、モジュラー コーディングを強調し、Raspberry Pi を含むさまざまなプラットフォームでコードを使用するためのヒントを提供します。このビデオでは、コードをモジュールに変換し、特定のオブジェクトを検出してモデルの出力を制御する関数を作成する方法を示しています。プレゼンターは、しきい値や非最大抑制などのパラメーターを追加して、オブジェクト検出のコードを変更する方法も示します。ビデオでは、Raspberry Pi でオブジェクト検出をセットアップするために必要なファイルと手順が提供され、特定のオブジェクトの検出のデモが提供されます。プレゼンターは、視聴者にダウンロードと購読情報を得るために Web サイトにアクセスするように勧めます。

• 00:00:00 ビデオでは、オブジェクト検出プロジェクトのコードにアクセスし、ユーザーが特定のオブジェクトに関する情報を取得できるようにする関数を作成する方法を示しています。使用されるコードは、MobileNet SSD を使用してさまざまなオブジェクトを検出する以前のビデオからのものです。また、このチュートリアルでは、コードの削除と追加を容易にするために、モジュラー コードを記述することにも重点を置いています。コードの説明に加えて、チューターは Raspberry Pi を含むさまざまなプラットフォームでのコードの記述方法と使用方法に関する役立つヒントも提供します。
  
  
• 00:05:00 このセクションでは、スピーカーは、以前に記述されたコードを、他のスクリプトからアクセスできるモジュールに変換する方法について説明します。スピーカーは、入力として画像を受け取り、出力として長方形とオブジェクト検出ラベルを含む画像を返す「get_objects」と呼ばれる関数を作成することによって実演します。講演者は、「nms」パラメータを使用して重複オブジェクトの検出を削除する方法も示しています。このセクションの終わりまでに、講演者は、OpenCV と Python を使用して画像内のオブジェクトを検出するために使用できるモジュラー関数を作成しました。
  
  
• 00:10:00 このセクションのビデオでは、バウンディング ボックスとクラス名を表示してフレーム レートを増減するかどうかを制御する機能を追加する方法を示しています。このビデオでは、境界ボックスを描画するかどうかを決定するためにブール値を設定できることを説明し、for ループでこれを実装する方法を示しています。このビデオでは、境界ボックスとクラス名に関する情報を送信する機能も追加されているため、表示するだけでなく、実際の情報を受け取ることができます。最後に、ビデオは、特定のオブジェクトを検出し、モデルが出力するものを制御する機能を追加する方法を示しています。
  
  
• 00:15:00 ビデオのこのセクションでは、プレゼンターがオブジェクト検出モジュールをカスタマイズして特定のオブジェクトを検出する方法を説明します。ユーザーは、オブジェクト リストにオブジェクトを書き留めて、検出するオブジェクトのリストを作成できます。ユーザーがリストを空のままにすると、トレーニングされたすべてのクラスが検出されます。プレゼンターは、オブジェクト リストに「カップ」を追加して、カップのみを検出する方法の例を示しています。複数のオブジェクトをリストに追加でき、プログラムはそれらのオブジェクトのみを検出します。プレゼンターは、メイン モジュールを使用して別のモジュールからオブジェクト検出モジュールを実行する方法も提供します。
  
  
• 00:20:00 ビデオのこのセクションでは、プレゼンターは、しきい値や非最大抑制 (NMS) などのパラメーターを追加して、オブジェクト検出用のコードを変更する方法を説明しています。 NMS パラメータは、画像内の重複検出を削除するのに役立ちます。プレゼンターは、これらのパラメーターをコードに追加する方法を示し、それらの値を変更した場合の効果を示します。ビデオの後半で、司会者は、コードを Raspberry Pi で実行するには、OpenCV バージョン 4.3 以降が必要であると説明しています。ユーザーが以前にこのバージョンをインストールしたことがない場合は、Web サイトでプレゼンターの指示に従うことができます。
  
  
• 00:25:00 このセクションでは、講師が OpenCV と Python を使用して Raspberry Pi でオブジェクト検出をセットアップする方法を示します。これには、いくつかのファイルを最新バージョンに置き換え、cv2 をインポートし、バージョン番号を確認することが含まれます。また、インストラクターは、オブジェクト検出に必要なファイルを提供し、正しく機能するようにファイル パスを編集する方法を示します。さらに、インストラクターは、外部カメラを使用したオブジェクト検出の例を示し、処理に時間がかかる場合があることを指摘します。コードは正常に実行され、モデルはボトル、カップ、リモコンなどのオブジェクトを検出できます。
  
  
• 00:30:00 このセクションでは、プレゼンターが Raspberry Pi で OpenCV と Python を使用して特定のオブジェクトを検出する機能を実演します。ラベルを「リモート」から「カップ」、「ボトル」に変更して検出をテストし、再度検出を実行します。 Raspberry Pi での検出はうまくいっているようですが、遅いです。プレゼンターは、次のビデオで Jetson Nano で同じ検出を試して、パフォーマンスがどれだけ向上するかを確認すると述べています。また、視聴者にウェブサイトにアクセスしてファイルとコードを無料でダウンロードし、チャンネルに登録するように勧めています。

[MetaQuotes]

Raspberry pi 4 および 3 にソースから OpenCV python をインストールしてビルドする

Raspberry pi 4 および 3 にソースから OpenCV python をインストールしてビルドする

YouTube ビデオでは、Raspberry Pi に OpenCV for Python をインストールする 2 つの方法について説明しています。最初の方法では、1 つの端末コマンドを使用してビルド済みのバイナリをインストールし、2 番目の方法ではソースから OpenCV をビルドする必要があります。 Github リポジトリからソースをダウンロードした後、Raspberry Pi でソースから OpenCV をビルドする最後の手順には、「sudo make install」コマンドを入力する前に、完了するまでに数時間かかる場合がある cmake および make コマンドの実行が含まれます。このビデオでは、Python コマンドを使用してインストールが成功したことを確認する方法を示します。ビデオは、いいね、チャンネル登録、コメント セクションでの質問を奨励して終了します。

• 00:00:00 ビデオのこのセクションでは、プレゼンターが Python 用の OpenCV を Raspberry Pi にインストールする 2 つの方法を説明します。最初の方法では、単一の端末コマンドでビルド済みのバイナリをインストールします。これは簡単ですが、OpenCV の最新バージョンを保証しない場合があります。 2 番目の方法は、ソースから OpenCV をビルドすることです。これには、最初にいくつかの依存関係をインストールし、Github リポジトリからソースをダウンロードし、ソースをビルドするためのコマンドを作成して実行する必要があります。ビデオでは、両方の方法が段階的に示されています。
  
  
• 00:05:00 このセクションのビデオでは、Raspberry Pi 4 または 3 でソースから OpenCV Python をインストールしてビルドする最終ステップについて説明します。最後のステップは、「sudo make install」と入力することです。インストールが成功したかどうかを確認するために、このビデオでは、コマンド「python3」を入力してから「import cv2 as cv」を入力し、続いて print ステートメントを実行する方法を示しています。端末が OpenCV のバージョンを含むメッセージを返した場合、インストールは成功しています。このビデオでは、視聴者がチャンネルを高く評価してチャンネル登録し、コメント セクションで質問することを奨励しています。

[MetaQuotes]

お使いの携帯電話のニューラル ネット: ONNX によるトレーニングから展開まで

お使いの携帯電話のニューラル ネット: ONNX によるトレーニングから展開まで

「携帯電話のニューラル ネット: ONNX によるトレーニングからデプロイまで」に関するこのビデオでは、プレゼンターは、iNaturalist コミュニティ API を使用してニューラル ネットワークをトレーニングし、有毒か食用かに基づいてさまざまなキノコ種を識別する方法を実演します。次に、Apple の Core ML パッケージを使用してモデルを iPhone にデプロイする方法を説明します。講演者は、トレーニング済みのモデルを Core ML にインポートする前に、ONNX ファイル形式でフォーマットすることの重要性も指摘しています。プレゼンターは、EfficientNet が画像分類の将来のモデルになることを強調し、モデルの選択には注意が必要であり、植物、動物、または鳥の分類器を構築することを提案しています。

• 00:00:00 このセクションでは、iNaturalist コミュニティの API を使用してキノコ画像分類器をトレーニングし、あらゆる種類のキノコ種の何百もの異なる画像を取得する方法についてプレゼンターが説明します。彼らは Mathematica を使って画像を保存し，その地域で一般的な11種の有毒キノコと11種の食用キノコに基づいて，有毒か食用かに従って画像を分類した.画像は、後のニューラル ネットワークのトレーニングの前にトリミングされ、サイズ変更されました。プレゼンターは、同じ方法で効果的に分類された致命的なキノコである Fly Agarik と Death Cap の両方を実演します。
  
  
• 00:05:00 このセクションでは、スピーカーは、ネット リポジトリから事前にトレーニングされたネット モデルを使用して、さまざまな種類のキノコを識別するためにニューラル ネットワークをトレーニングするプロセスについて説明します。彼らは、どのようにクラス ラベルとトレーニング セットとテスト セットを作成し、転移学習を使用して確率的勾配降下法でモデルをトレーニングしたかについて説明しています。また、トレーニング済みのモデルを ONNX ファイル形式でエクスポートすることの重要性についても言及しています。ONNX ファイル形式は、機械学習の業界リーダーによって数年前に作成されたオープン ニューラル ネットワーク交換形式です。
  
  
• 00:10:00 このセクションでは、Apple の Core ML パッケージを使用してニューラル ネットワークを iOS オペレーティング システム デバイスに展開する方法についてスピーカーが説明します。モデルを Core ML 形式に変換するために、講演者は、CoreML ツールを使用して ONNX を含むさまざまなタイプのネット モデルをインポートする方法と、例として使用されるマッシュルーム データセットの前処理引数とクラス ラベルを指定する方法を示します。講演者はまた、コア ML モデルは、エンコーダーとデコーダーを使用して自然言語モデルと同様の方法で機能していることに注意し、ピクセル値と色の偏りに関して 2 つの形式の違いを強調しています。
  
  
• 00:15:00 このセクションでは、スピーカーが Core ML モデルを iPhone にデプロイする手順を説明します。彼らは、Xcode プロジェクトの既存の MobileNet モデルを独自のキノコ種モデルに置き換える方法を示しています。スピーカーは、森で見つけたさまざまなキノコでモデルをテストすることにより、モデルが正しく機能することを示します。彼らは聴衆に、Jupyter ノートブックで詳細を確認することを勧めています。
  
  
• 00:20:00 このセクションでは、講演者は、画像分類で最もパフォーマンスの高いモデルは EfficientNet であり、これは将来利用可能になると述べています。ただし、ユーザーはメモリが重すぎる EfficientNet モデルを選択しないように注意する必要があります。スピーカーは、キノコの種類によっては致命的なものになる可能性があるため、専門家の相談なしに分類器を料理に使用しないように警告します。将来的には、講演者はプレゼンテーションのワークフローを作成し、トピックに関するブログ投稿を提供する予定です。また、鳥のさえずりを特定するなど、音声の例も含める予定です。講演者は、そのようなアプリケーションやトピックについて勉強会を始めることを提案し、ONNX ポイントは Android の使用法次第であることを強調しています。
  
  
• 00:25:00 このセクションでは、スピーカーは、動物や植物の分類器を構築するために使用できる、種の観察やその他の便利な機能 (gpif 検索、gpif インポート、グローバル データのインポートなど) をインポートするためのさまざまなオプションについて説明します。また、講演者は聴衆の関心に感謝し、コミュニティの機械学習グループでさらに質問するように招待します。