Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Contador de pessoas usando YOLOv8 e rastreamento de objetos | Contagem de pessoas (entrada e saída)
Contador de pessoas usando YOLOv8 e rastreamento de objetos | Contagem de pessoas (entrada e saída)
O vídeo explica como criar um contador de pessoas usando YOLOv8 e rastreamento de objetos. O processo envolve detectar objetos com IDs únicos, encontrar a coordenada central do objeto detectado, rastrear objetos com Deep SORT e detectar quando os objetos cruzam linhas específicas para contar o número de pessoas entrando e saindo de uma área específica. Os IDs exclusivos são armazenados em listas para contar as pessoas que entram e saem da área, e as contagens são exibidas graficamente com círculos verdes e vermelhos. O vídeo também fornece código para o projeto e demonstra a saída do sistema em tempo real.
Detecção, rastreamento, desfoque e contagem de objetos em tempo real usando YOLOv8: um tutorial passo a passo
Detecção, rastreamento, desfoque e contagem de objetos em tempo real usando YOLOv8: um tutorial passo a passo
Este tutorial se concentra na implementação de desfoque e contagem de objetos com detecção e rastreamento de objetos em tempo real usando o YOLOv8. O tutorial fornece etapas para baixar os arquivos necessários, incluindo arquivos Deep Sort para rastreamento de objetos e um vídeo de amostra para teste. O tutorial usa a biblioteca CV2 do OpenCV para desfocar os objetos detectados e fornece código para detecção, rastreamento e desfoque de objetos. O palestrante demonstra o processo de determinação das coordenadas da caixa delimitadora, recortando a imagem e aplicando a função de desfoque. Além disso, o apresentador explica o código para contar o número total de objetos em cada quadro usando um dicionário e demonstra como o código detecta, rastreia e desfoca objetos enquanto exibe a contagem total de objetos em cada quadro. No geral, os resultados são bons e um repositório GitHub para o projeto é fornecido na descrição.
Treinar YOLOv8 em conjunto de dados personalizado | Detecção e Reconhecimento de Alfabetos de Língua de Sinais usando YOLOv8
Treinar YOLOv8 em conjunto de dados personalizado | Detecção e Reconhecimento de Alfabetos de Língua de Sinais usando YOLOv8
O vídeo demonstra a implementação do YOLOv8 em um conjunto de dados personalizado para detecção e reconhecimento do alfabeto da língua de sinais. O processo envolve baixar o conjunto de dados, treinar o modelo por 50 épocas e avaliar seu desempenho usando a matriz de confusão e as perdas de treinamento e validação. O apresentador também discute como as previsões do modelo no lote de validação e as imagens não usadas para treinamento são validadas para determinar como ele se comporta em diferentes imagens. O modelo treinado é então validado e testado nas imagens do conjunto de dados de validação, e uma inferência de vídeo de demonstração é mostrada com bons resultados. No geral, o vídeo destaca a aplicação do YOLOv8 para treinamento de conjuntos de dados personalizados e detecção de objetos.
Segmentação YOLOv8 com rastreamento de objetos: implementação de código passo a passo | Google Colab | janelas
Segmentação YOLOv8 com rastreamento de objetos: implementação de código passo a passo | Google Colab | janelas
Este tutorial em vídeo fornece um guia abrangente sobre como implementar a segmentação YOLOv8 com ID de rastreamento de classificação profunda e trilhas. O apresentador conduz os visualizadores pelo processo de importação dos arquivos de script necessários, instalação de dependências e configuração do diretório necessário para segmentação e rastreamento de objetos com classificação profunda. O tutorial inclui uma demonstração de rastreamento de objetos com IDs exclusivos e trilhas de movimento e uma discussão sobre o repositório GitHub que fornece código de solução de um clique para segmentação YOLOv8 e rastreamento de classificação profunda. O tutorial também apresenta um programa de patreon com acesso exclusivo a tutoriais em vídeo que não serão carregados no canal do YouTube. No geral, o tutorial oferece uma explicação passo a passo da implementação do código para segmentação YOLOv8 com rastreamento de objetos.
YOLOv8 | Detecção de objetos | Segmentação | Tutorial Completo Google Colab| Solução de clique único
YOLOv8 | Detecção de objetos | Segmentação | Tutorial Completo Google Colab| Solução de clique único
O tutorial em vídeo demonstra como implementar o YOLOv8 usando o Google Colab para detecção e segmentação de objetos. Os usuários são orientados pelas etapas de clonagem do repositório GitHub, instalação de pacotes, configuração de diretórios e importação de vídeos de demonstração do Google Drive para teste. O usuário também aprende como executar o modelo YOLOv8 para detecção de objetos em um vídeo de demonstração, como corrigir problemas de espaçamento e como salvar e baixar o vídeo de saída. O tutorial também aborda a segmentação com YOLOv8 e enfatiza a importância de remover arquivos compactados anteriores antes de prosseguir. Um link para baixar o arquivo do notebook é fornecido e os espectadores são incentivados a fazer perguntas na seção de comentários.
Reconhecimento de Emoção de Rosto AI | Identificando expressões faciais com V7
Reconhecimento de Emoção de Rosto AI | Identificando expressões faciais com V7
Os tutoriais em vídeo discutem o processo de uso da plataforma V7 para criar conjuntos de dados anotados para reconhecimento de emoções faciais de IA. Os tutoriais abrangem vários aspectos do processo, incluindo a criação de um conjunto de dados, anotação de emoções em imagens e vídeos, treinamento do modelo e teste em imagens de amostra e webcams ao vivo. A importância da rotulagem precisa para o treinamento eficaz de modelos de IA é enfatizada ao longo dos tutoriais, e os recursos e vários modelos da plataforma V7 são destacados. Os tutoriais fornecem exemplos completos do processo de anotação para identificar expressões faciais usando IA.
Detecção e rastreamento de jogador de futebol e bola em tempo real usando o YOLOv8 Live: Rastreamento de objetos YOLOv8
Detecção e rastreamento de jogador de futebol e bola em tempo real usando o YOLOv8 Live: Rastreamento de objetos YOLOv8
Neste tutorial em vídeo do YouTube, o apresentador demonstra o processo de criação de um conjunto de dados de rastreamento e detecção de jogador de futebol e bola usando o Roboflow. O apresentador percorre as etapas de upload e anotação de imagens, preparação do conjunto de dados, treinamento do modelo, teste em vídeos de amostra e webcam ao vivo e modificação do código para melhorar o rastreamento. No geral, o modelo YOLOv8 funciona bem, mas tem algumas limitações na detecção de futebol em determinados cenários.
YOLOv8 e VGG16 para Face, Detecção de Gênero, Contagem de Faces e Rastreamento de Pessoas | Conjunto de dados personalizado
YOLOv8 e VGG16 para Face, Detecção de Gênero, Contagem de Faces e Rastreamento de Pessoas | Conjunto de dados personalizado
O tutorial em vídeo explica o processo de detecção facial, classificação de gênero, contagem facial e rastreamento de pessoas usando os modelos YOLOv8 e VGG16. O tutorial abrange vários aspectos da implementação e treinamento desses modelos, incluindo preparação de dados, aumento de dados, ajuste fino do modelo VGG16 pré-treinado, usando aprendizado de transferência e treinamento do modelo YOLOv8 para detecção facial. O apresentador também explica como montar um Google Drive em um notebook do Google Colab, acessar e converter conjuntos de dados de imagens, baixar as bibliotecas necessárias e integrar o rastreamento de objetos usando o deepsort. O tutorial fornece explicações de código detalhadas para desenhar caixas delimitadoras em torno de objetos detectados, integrando o modelo de classificação de gênero, contando o número de faces em um quadro e atribuindo a cada face detectada uma ID exclusiva usando deepsort.update.
Detecção de semáforos e reconhecimento de cores usando YOLOv8 | Tutorial de detecção de objetos personalizados
Detecção de semáforos e reconhecimento de cores usando YOLOv8 | Tutorial de detecção de objetos personalizados
O tutorial em vídeo "Detecção de semáforos e reconhecimento de cores usando YOLOv8" explica as etapas para criar um modelo de detecção de semáforos e reconhecimento de cores usando o Ultralytics YOLOv8 web pro. Abrange o conjunto de dados de semáforos, aumento de dados, instalação de bibliotecas necessárias, ajuste fino do modelo YOLOv8 e teste do modelo em vários vídeos. O apresentador destaca a importância da instalação de todas as bibliotecas necessárias, e os resultados dos testes do modelo em vídeos demonstram sua precisão na detecção e reconhecimento de semáforos de várias cores.
Análise e previsão de rotatividade de clientes usando ANN | Tutorial de Deep Learning (Tensorflow, Keras e Python)
Análise e previsão de rotatividade de clientes usando ANN | Tutorial de Deep Learning (Tensorflow, Keras e Python)
O vídeo do YouTube intitulado "Customer Churn Analysis and Prediction using ANN | Deep Learning Tutorial (Tensorflow, Keras & Python)" demonstra o uso de redes neurais artificiais para prever a rotatividade de clientes usando um conjunto de dados do Kaggle. O vídeo abrange várias etapas envolvidas na preparação dos dados, como limpeza de dados, codificação de recursos categóricos e dimensionamento dos valores em colunas. O alto-falante então cria uma rede neural com uma única camada oculta de 20 neurônios e uma função de ativação sigmoide enquanto define as camadas de entrada e saída e um otimizador com uma função binária de perda de entropia cruzada. A precisão alcançada e o relatório de classificação usando a biblioteca Scikit-learn são exibidos, com os valores previstos sendo convertidos na forma 0 ou 1 para mostrar uma precisão de 0,78.