00:20:00このセクションでは、スピーカーは、検出されたオブジェクトの周りに長方形を作成し、一意の ID とラベルを割り当て、境界ボックスを作成する機能を実演します。 UI タッチ ボックス関数を使用してバウンディング ボックスと上記の長方形を作成する方法と、CV ドット 2 長方形関数を使用して検出されたオブジェクトの周囲に長方形を作成する方法について説明しています。スピーカーは、Dash boxing 関数の draw が境界ボックスの下端の中心を見つけて軌跡を描き、各オブジェクトに一意の ID を割り当てる方法も示します。全体として、スピーカーは、オブジェクト追跡を使用した YOLOv8 セグメンテーションのコード実装の段階的な説明を提供します。
00:25:00このセクションでは、スピーカーはデータを格納するためのリストの代わりに両端キュー (DQ) の使用について説明します。 DQ は、オブジェクトの値を格納し、現在のフレームにないオブジェクトの ID を削除するために使用されます。このデータは、CV2 ツール ラインを使用してトレイルを描画するために使用されます。セグメンテーションが実行され、出力ビデオには、一意の ID が割り当てられたトレイルと検出されたオブジェクトが表示されます。講演者は、スクリプトを CPU で実行すると時間がかかる可能性がありますが、同じ手順で GPU で実行できることを指摘しています。
#objectdetection #segmentation #yolov8 #yolo *Update*I have updated the Google Colab Notebook, Now you can do Detection, Segmentation and Export the Model in...
00:30:00 このセクションのビデオ チュートリアルでは、V7 を使用して顔の表情と感情のデータセットで AI モデルをトレーニングするプロセスを示します。このチュートリアルでは、データセットのトレーニングをスケジュールおよび監視し、完了後に電子メール通知を送信する方法を示します。このビデオでは、モデルのパフォーマンス メトリック (平均精度と再現率、損失など) も強調されています。チュートリアルの最後に、Python、シェル、JavaScript、または Elixir を使用して、トレーニング済みのモデルをデプロイしてさまざまな API で使用する方法と、モデルをライブ Web カメラでもテストする方法を示します。
00:20:00 このセクションでは、スピーカーは、フットボール選手とボールの検出と追跡のための YOLOv8 モデルの結果について説明します。彼らは正確な結果を報告しており、選手の平均精度は 0.63144 と 0.476 であり、サッカーの検出も良好です。次にスピーカーは、サンプル ビデオをダウンロードしてモデルをテストし、結果を示し、モデルをライブ Web カメラ テストに配置する方法を実演します。全体として、このモデルは選手の検出と一意の ID の割り当てでうまく機能しましたが、サッカーの検出を逃したものもいくつかありました。
00:25:00 このセクションのビデオでは、追跡プロセスを簡素化するために、コードでフットボールに割り当てられた一意の ID を削除する方法を示しています。コードの変更は、project.py ファイルを編集し、サッカー ラベルに割り当てられた一意の ID を削除することによって行われます。次に、出力ビデオがダウンロードされ、ライブ Web カメラでテストされます。この場合、モデルはフットボールを正常に検出できますが、プレーヤーはプレーヤーのように服を着ていないため、プレーヤーを検出できません。全体として、コードに加えられた変更により追跡プロセスが改善され、満足のいく結果が得られました。
#objectdetection #computervision #yolo #yolov8 #objecttracking #opencv #opencvpython #pytorch Real Time Football Player and Ball Detection and Tracking using...
ビデオ チュートリアル「YOLOv8 を使用した信号機の検出と色認識」では、Ultralytics YOLOv8 web pro を使用して信号機の検出と色認識モデルを作成する手順について説明しています。信号機のデータセット、データ拡張、必要なライブラリのインストール、YOLOv8 モデルの微調整、いくつかのビデオでのモデルのテストについて説明します。プレゼンターは、必要なすべてのライブラリをインストールすることの重要性を強調し、ビデオでモデルをテストした結果は、さまざまな色の信号機を検出して認識する精度を示しています。
Full 34 minutes of Tracking traffic using yolov5 + deepsortVideo: https://youtu.be/wqctLW0Hb_0My repo: https://github.com/duongcongnha/Vehicle-tracking
第 2 回 AI シティ チャレンジ (2018) のデータセットは公開されなくなりました。ただし、3rd AI City Challenge (2019) のデータセットにアクセスしたり、CVPR 2020 の最新の 4th AI City Challenge に参加したりすることはできます。
彼らは、マルチカメラ車両追跡と画像ベースの再識別のための新しい都市規模のデータセットを提供しました。また、トラフィックの異常を検出するための新しいデータセットも用意されました。データセットの規模と評価に使用されている車両の数は、どちらも前例のないものです。 AI City Challenges の Web サイトはhttps://www.aicitychallenge.org/です。
In this demo video, the estimated speed of each vehicle is shown in miles/hour.Our team from the University of Washington is the winner of Track 1 (Traffic F...
カスタム データセットで YOLOv8 をトレーニングする | YOLOv8 を使用した手話アルファベットの検出と認識
カスタム データセットで YOLOv8 をトレーニングする | YOLOv8 を使用した手話アルファベットの検出と認識
ビデオは、手話アルファベットの検出と認識のためのカスタム データセットでの YOLOv8 の実装を示しています。このプロセスには、データセットのダウンロード、50 エポックのモデルのトレーニング、および混同行列とトレーニングと検証の損失を使用したパフォーマンスの評価が含まれます。プレゼンターは、検証バッチとトレーニングに使用されていない画像に対するモデルの予測を検証して、さまざまな画像での動作を決定する方法についても説明します。次に、トレーニングされたモデルが検証され、検証データセットの画像でテストされ、デモ ビデオの推論が良好な結果で表示されます。全体として、ビデオは、カスタム データセットのトレーニングとオブジェクト検出のための YOLOv8 のアプリケーションを強調しています。
オブジェクト トラッキングを使用した YOLOv8 セグメンテーション: ステップバイステップのコード実装 | Google コラボ |ウィンドウズ
オブジェクト トラッキングを使用した YOLOv8 セグメンテーション: ステップバイステップのコード実装 | Google コラボ |ウィンドウズ
このビデオ チュートリアルでは、ディープ ソート トラッキング ID とトレイルを使用して YOLOv8 セグメンテーションを実装する方法に関する包括的なガイドを提供します。プレゼンターは、必要なスクリプト ファイルのインポート、依存関係のインストール、およびディープ ソートによるセグメンテーションとオブジェクト トラッキングに必要なディレクトリのセットアップのプロセスを視聴者に順を追って説明します。このチュートリアルには、一意の ID と移動の軌跡を使用したオブジェクト トラッキングのデモと、YOLOv8 セグメンテーションとディープ ソート トラッキングのワンクリック ソリューション コードを提供する GitHub リポジトリでのディスカッションが含まれています。このチュートリアルでは、YouTube チャンネルにアップロードされないビデオ チュートリアルへの排他的アクセスを持つパトロンのプログラムも紹介します。全体として、このチュートリアルでは、オブジェクト追跡を使用した YOLOv8 セグメンテーションのコード実装の段階的な説明を提供します。
ヨロv8 |物体検出 |セグメンテーション |完全なチュートリアル Google Colab|シングルクリック ソリューション
ヨロv8 |物体検出 |セグメンテーション |完全なチュートリアル Google Colab|シングルクリック ソリューション
ビデオ チュートリアルでは、オブジェクトの検出とセグメンテーションのために Google Colab を使用して YOLOv8 を実装する方法を示します。ユーザーは、GitHub リポジトリのクローン作成、パッケージのインストール、ディレクトリの構成、およびテスト用の Google ドライブからのデモ ビデオのインポートの手順をガイドされます。ユーザーは、デモ ビデオで物体検出のために YOLOv8 モデルを実行する方法、間隔の問題を修正する方法、および出力ビデオを保存およびダウンロードする方法も示されます。このチュートリアルでは、YOLOv8 を使用したセグメンテーションの実行についても説明し、続行する前に以前の圧縮ファイルを削除することの重要性を強調しています。ノートブック ファイルをダウンロードするためのリンクが提供されており、閲覧者はコメント セクションで質問をすることをお勧めします。
AI 顔感情認識 | V7で顔の表情を識別する
AI 顔感情認識 | V7で顔の表情を識別する
ビデオ チュートリアルでは、V7 プラットフォームを使用して、AI の顔感情認識用の注釈付きデータセットを作成するプロセスについて説明します。チュートリアルでは、データセットの作成、感情の画像や動画への注釈付け、モデルのトレーニング、サンプル画像やライブ Web カメラでのテストなど、プロセスのさまざまな側面について説明します。 AI モデルを効果的にトレーニングするための正確なラベル付けの重要性は、チュートリアル全体で強調されており、V7 プラットフォームの機能と複数のモデルが強調されています。チュートリアルでは、AI を使用して顔の表情を識別するためのアノテーション プロセスの例をエンドツーエンドで提供します。
YOLOv8 Live を使用したリアルタイムのフットボール選手とボールの検出と追跡 : オブジェクト追跡 YOLOv8
YOLOv8 Live を使用したリアルタイムのフットボール選手とボールの検出と追跡 : オブジェクト追跡 YOLOv8
この YouTube ビデオ チュートリアルでは、プレゼンターが、Roboflow を使用してフットボール選手とボールの検出および追跡データセットを作成するプロセスを実演します。プレゼンターは、画像のアップロードと注釈付け、データセットの準備、モデルのトレーニング、サンプル ビデオとライブ Web カメラでのテスト、追跡を改善するためのコードの変更の手順を順を追って説明します。全体として、YOLOv8 モデルはうまく機能しますが、特定のシナリオでのフットボールの検出にはいくつかの制限があります。
顔、性別検出、顔カウント、および人物追跡のための YOLOv8 および VGG16 |カスタム データセット
顔、性別検出、顔カウント、および人物追跡のための YOLOv8 および VGG16 |カスタム データセット
このビデオ チュートリアルでは、YOLOv8 および VGG16 モデルを使用した顔検出、性別分類、顔カウント、人物追跡のプロセスについて説明しています。このチュートリアルでは、これらのモデルの実装とトレーニングのさまざまな側面について説明します。これには、データの準備、データの増強、トレーニング済みの VGG16 モデルの微調整、転移学習の使用、顔検出のための YOLOv8 モデルのトレーニングが含まれます。プレゼンターは、Google ドライブを Google Colab ノートブックにマウントする方法、画像データセットにアクセスして変換する方法、必要なライブラリをダウンロードする方法、ディープソートを使用してオブジェクト トラッキングを統合する方法についても説明します。このチュートリアルでは、検出されたオブジェクトの周囲に境界ボックスを描画し、性別分類モデルを統合し、フレーム内の顔の数を数え、deepsort.update を使用して検出された各顔に一意の ID を割り当てるための詳細なコード説明を提供します。
YOLOv8 を使用した信号機の検出と色認識。カスタム オブジェクト検出のチュートリアル
YOLOv8 を使用した信号機の検出と色認識。カスタム オブジェクト検出のチュートリアル
ビデオ チュートリアル「YOLOv8 を使用した信号機の検出と色認識」では、Ultralytics YOLOv8 web pro を使用して信号機の検出と色認識モデルを作成する手順について説明しています。信号機のデータセット、データ拡張、必要なライブラリのインストール、YOLOv8 モデルの微調整、いくつかのビデオでのモデルのテストについて説明します。プレゼンターは、必要なすべてのライブラリをインストールすることの重要性を強調し、ビデオでモデルをテストした結果は、さまざまな色の信号機を検出して認識する精度を示しています。
ANN を使用した顧客離れの分析と予測|深層学習のチュートリアル (Tensorflow、Keras、Python)
ANN を使用した顧客離れの分析と予測|深層学習のチュートリアル (Tensorflow、Keras、Python)
「ANN を使用した顧客離れの分析と予測 | ディープ ラーニング チュートリアル (Tensorflow、Keras、Python)」というタイトルの YouTube ビデオでは、人工ニューラル ネットワークを使用して、Kaggle のデータセットを使用して顧客離れを予測する方法を示しています。このビデオでは、データのクリーニング、カテゴリ特徴のエンコード、列の値のスケーリングなど、データの準備に関連するさまざまな手順について説明します。次に、スピーカーは、20 個のニューロンからなる単一の隠れ層とシグモイド活性化関数を使用してニューラル ネットワークを作成し、入力層と出力層、およびバイナリ クロス エントロピー損失関数を使用するオプティマイザーを定義します。達成された精度と Scikit-learn ライブラリを使用した分類レポートが表示されます。予測値は 0 または 1 の形式に変換され、0.78 の精度を示します。
車両追跡・交通監視 yolov5+deepsort
車両追跡・交通監視 yolov5+deepsort
みんながYouTubeからここに来るか、推論のために私のレポを使いたいだけです。これは、私が学校にいたときに履歴書を学ぶためだけの非常に古いプロジェクトです。久しぶりすぎて、このおもちゃプロジェクトで何をしたかすっかり忘れてました。私はこのレポから編集し、いくつかの制約のためにいくつかのコード行を追加しました。皆さんはそのレポを参照に使用できます。ありがとう。
YOLOv5によって生成された検出は、オブジェクトを追跡するディープ ソート アルゴリズムに渡されます。
コード: https://github.com/duongcongnha/Vehicle-tracking
CVPR 2018 の第 2 回 AI シティ チャレンジ ワークショップでの車両追跡と速度推定のデモ
CVPR 2018 の第 2 回 AI シティ チャレンジ ワークショップでの車両追跡と速度推定のデモ
ワシントン大学の私たちのチームは、CVPR 2018 の第 2 回 AI シティ チャレンジ ワークショップでトラック 1 (トラフィック フロー分析) の勝者になりました。
第 2 回 AI シティ チャレンジ (2018) のデータセットは公開されなくなりました。ただし、3rd AI City Challenge (2019) のデータセットにアクセスしたり、CVPR 2020 の最新の 4th AI City Challenge に参加したりすることはできます。
彼らは、マルチカメラ車両追跡と画像ベースの再識別のための新しい都市規模のデータセットを提供しました。また、トラフィックの異常を検出するための新しいデータセットも用意されました。データセットの規模と評価に使用されている車両の数は、どちらも前例のないものです。 AI City Challenges の Web サイトはhttps://www.aicitychallenge.org/です。
コード: https://github.com/zhengthomastang/2018AICity_TeamUW