Tài liệu liên quan
báo cáo nghiên cứu vớt khoa học: "MỘT SỐ VẤN ĐỀ VỀ XÂY DỰNG CHỈNH ĐỐN ĐẢNG THEO TƯ TƯỞNG HỒ CHÍ MINH vào THỜI KỲ ĐỔI MỚI HIỆN NAY" ppt
report nghiên cứu vãn khoa học: "MỘT SỐ VẤN ĐỀ VỀ XÂY DỰNG CHỈNH ĐỐN ĐẢNG THEO TƯ TƯỞ
NG HỒ CHÍ MINH vào THỜI KỲ ĐỔI MỚI HIỆN NAY" ppt 878 6
cầm tắt báo cáo nghiên cứu kỹ thuật " BIẾN ĐỘNG HÀM LƯỢNG AZADIRACHTIN VÀ NIMBIN trong LÁ NEEM (AZADIRACHTA INDICA A. JUSS) VÀ HIỆU QUẢ XUA ĐUỔI, GÂY CHẾT VÀ BIẾN DẠNG CỦA DỊCH CHIẾT NHÂN HẠT NEEM ĐỐI VỚI RẦY NÂU (Nilaparvata lugens Stal.) " docx
cầm tắt báo cáo nghiên cứu khoa học " BIẾN ĐỘNG HÀM LƯỢNG AZADIRACHTIN VÀ NIMBIN trong LÁ NEEM (AZADIRACHTA INDICA A. JUSS) VÀ HIỆU QUẢ XUA ĐUỔI, GÂY CHẾT VÀ BIẾN DẠNG CỦA DỊCH CHIẾT NHÂN HẠT NEEM ĐỐI VỚI RẦY NÂU (Nilaparvata lugens Stal.) " docx 592 1
nắm tắt báo cáo nghiên cứu công nghệ " THUẬT BIẾN ĐỔI WAVELET VÀ ẢNH HƯỞ
NG CỦA NHIỄU trong KHÔI PHỤC VÀ NHẬN DẠNG TIẾNG NÓI " pdf
cầm tắt báo cáo nghiên cứu khoa học " THUẬT BIẾN ĐỔI WAVELET VÀ ẢNH HƯỞ
NG CỦA NHIỄU vào KHÔI PHỤC VÀ NHẬN DẠNG TIẾNG NÓI " pdf 307 0
Xây dựng hệ thống nhận dạng đối tượng và di chuyển đến đối tượng người tiêu dùng dựa trên gốc rễ Robot NAO 41 77 0
báo cáo tóm tắt đề tài khoa học và technology cấp Trường: phân tích ứng dụng thuật toán mạng Nơ ron tích chập nhận dạng các đối tượng di rượu cồn
report tóm tắt vấn đề khoa học và technology cấp Trường: nghiên cứu và phân tích ứng dụng thuật toán mạng Nơ ron tích chập nhận dạng các đối tượng người dùng di hễ 80 8 0
report " Thực hành nghiên cứu giao thoa trong phân tích xã hội học: Một so sánh phê bình về hầu như yếu tố bao hàm, tác động và các thể chế trong phân tích về những bất bình đẳng" pot
báo cáo " Thực hành nghiên cứu giao sứt trong nghiên cứu xã hội học: Một so với phê bình về đông đảo yếu tố bao hàm, shop và những thể chế trong nghiên cứu và phân tích về gần như bất bình đẳng" pot 889 0
báo cáo nghiên cứu kỹ thuật " Đăng cam kết nhãn hiệu nước ngoài - cách đi đặc biệt của các doanh nghiệp vn trong thời kỳ hội nhập" ppt
report nghiên cứu kỹ thuật " Đăng ký kết nhãn hiệu thế giới - cách đi đặc trưng của các doanh nghiệp nước ta trong thời kỳ hội nhập" ppt 568 3
báo cáo nghiên cứu công nghệ "đổi new hình thức, cách thức kiểm tra reviews là nhân tố quan trọng để cải tiến và phát triển tư duy chủ quyền sáng chế tạo ra và đổi mới cách thức học tập trong sv địa lí, trường
báo cáo nghiên cứu kỹ thuật "đổi new hình thức, cách thức kiểm tra reviews là nhân tố đặc biệt quan trọng để cải cách và phát triển tư duy chủ quyền sáng sinh sản và thay đổi mới cách thức học tập trong sv địa lí, trường 968 7
report nghiên cứu khoa học " mẫu nhân vật dụng lê lợi trong đái thuyết lịch sử hội thề của nguyễn quang quẻ thân "
báo cáo nghiên cứu kỹ thuật " hình tượng nhân đồ lê lợi trong tiểu thuyết lịch sử hội thề của nguyễn quang quẻ thân " 815 4
report nghiên cứu vãn khoa học: "NGHIÊN CỨU SỰ LÀM VIỆC VÀ PHÁ HOẠI CỦA MỘT LOẠI ĐÁ TƯƠNG TỰ NHÂN TẠO SỬ DỤNG vào MÔ HÌNH HÓA KẾT CẤU ĐÁ BẰNG THÍ NGHIỆM NÉN VÀ GIÃN tía TRỤC" pptx
báo cáo nghiên cứu khoa học: "NGHIÊN CỨU SỰ LÀM VIỆC VÀ PHÁ HOẠI CỦA MỘT LOẠI ĐÁ TƯƠNG TỰ NHÂN TẠO SỬ DỤNG trong MÔ HÌNH HÓA KẾT CẤU ĐÁ BẰNG THÍ NGHIỆM NÉN VÀ GIÃN bố TRỤC" pptx 557 0
báo cáo nghiên cứu khoa học: "ƯỚC LƯỢNG BAYES đến TỶ LỆ TRỘN vào PHÂN LOẠI VÀ NHẬN DẠNG hai TỔNG THỂ" doc
báo cáo nghiên cứu vớt khoa học: "ƯỚC LƯỢNG BAYES cho TỶ LỆ TRỘN trong PHÂN LOẠI VÀ NHẬN DẠNG hai TỔNG THỂ" doc 537 1
báo cáo nghiên cứu khoa học: "VỀ TIÊU CHUẨN COMPACT TƯƠNG ĐỐI CỦA KHÔNG GIAN HÀM VÀ ỨNG DỤNG vào CẤU TRÚC THỐNG KÊ" pps
report nghiên cứu vãn khoa học: "VỀ TIÊU CHUẨN COMPACT TƯƠNG ĐỐI CỦA KHÔNG GIAN HÀM VÀ ỨNG DỤNG trong CẤU TRÚC THỐNG KÊ" pps 590 0
báo cáo nghiên cứu vớt khoa học: " KỸ THUẬT PHÂN TÍCH WAVELETS KẾT HỢP VỚI FUZZY logic ĐỂ NHẬN DẠNG NHIỄU vào HỆ THỐNG ĐIỆN" doc
report nghiên cứu vớt khoa học: " KỸ THUẬT PHÂN TÍCH WAVELETS KẾT HỢP VỚI FUZZY ngắn gọn xúc tích ĐỂ NHẬN DẠNG NHIỄU trong HỆ THỐNG ĐIỆN" doc 686 0
báo cáo nghiên cứu vớt khoa học: "NHẬN DẠNG VÀ PHÂN LOẠI CÁC HIỆN TƯỢNG QUÁ ĐỘ TRÊN HỆ THỐNG ĐIỆN BẰNG MẠNG NƠRON KẾT HỢP VỚI PHÂN TÍCH WAVELET " pps
report nghiên cứu khoa học: "NHẬN DẠNG VÀ PHÂN LOẠI CÁC HIỆN TƯỢNG QUÁ ĐỘ TRÊN HỆ THỐNG ĐIỆN BẰNG MẠNG NƠRON KẾT HỢP VỚI PHÂN TÍCH WAVELET " pps 711 2
báo cáo nghiên cứu khoa học: "NGUỒN GỐC VÀ Ý NGHĨA CỦA CÁC LỄ HỘI GẮN LIỀN VỚI DANH NHÂN trong ĐỜI SỐNG VĂN HOÁ MỸ" pdf
báo cáo nghiên cứu giúp khoa học: "NGUỒN GỐC VÀ Ý NGHĨA CỦA CÁC LỄ HỘI GẮN LIỀN VỚI DANH NHÂN vào ĐỜI SỐNG VĂN HOÁ MỸ" pdf 619 0
report nghiên cứu vớt khoa học: "HOẠT ĐỘNG ĐỐI NGOẠI CỦA ĐẢNG - TỪ TƯ DUY ĐẾN THỰC TIỄN vào THỜI KỲ ĐỔI MỚI" docx
báo cáo nghiên cứu giúp khoa học: "HOẠT ĐỘNG ĐỐI NGOẠI CỦA ĐẢNG - TỪ TƯ DUY ĐẾN THỰC TIỄN trong THỜI KỲ ĐỔI MỚI" docx 509 0
báo cáo nghiên cứu giúp khoa học: " VẬN DỤNG TƯ TƯỞ
NG HỒ CHÍ MINH VỀ ĐỜI SỐNG MỚI trong VIỆC XÂY DỰNG GIA ĐÌNH VĂN HÓA Ở THÀNH PHỐ HUẾ HIỆN NAY" pot
report nghiên cứu vãn khoa học: " VẬN DỤNG TƯ TƯỞ
NG HỒ CHÍ MINH VỀ ĐỜI SỐNG MỚI trong VIỆC XÂY DỰNG GIA ĐÌNH VĂN HÓA Ở THÀNH PHỐ HUẾ HIỆN NAY" pot 874 0
báo cáo nghiên cứu giúp nhận dạng đối tượng người tiêu dùng trong video, hình ảnh, webcam áp dụng YOLO. Gồm những phần chính: CHƯƠNG1: GIỚI THIỆU VỀ YOLO1. Lý do chọn đề tài.2. Mục đích nghiên cứu3. Đối tượng, phạm vi nghiên cứu4. Ý nghĩa công nghệ và thực tiễn đề tài5. Khái quát về YOLO6. đại lý xử lý ảnh7. Tổng quan tiền về Học vật dụng (Machine Leaning)CHƯƠNG 2:HƯỚNG DẪN CÀI ĐẶT VÀ XÂY DỰNG CHƯƠNG TRÌNH1. Môi trường xung quanh và qui định sử dụng2. Google Colab cùng Google Drive3. Thực hiện Yolo để nhấn diện đối tượng4. Đào sinh sản Yolo để phát hiện nay súng
KẾT LUẬNTÀI LIỆU THAM KHẢO BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ ĐỊA CHẤT 0O0 BÁO CÁO TỔNG KẾT ĐỀ TÀI: NGHIÊN CỨU NHẬN DẠNG ĐỐI TƯỢNG TRONG video clip SỬ DỤNG YOLO HÀ NỘI, 06/2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ ĐỊA CHẤT 0O0 BÁO CÁO TỔNG KẾT ĐỀ TÀI: NGHIÊN CỨU NHẬN DẠNG ĐỐI TƯỢNG TRONG clip SỬ DỤNG YOLO Trưởng nhóm nghiên cứu Nguyễn Ngọc Hưng - 1721050323 - DCCTMM62B những thành viên tham gia thực Đinh Việt Anh - 1721050496 - DCCTMM62B giáo viên hướng Th.S Phạm Đình Tân Lê cụ Quý - 1721050540 - DCCTMM62B dẫn HÀ NỘI, 06/2020 report nghiên cứu công nghệ MỤC LỤC báo cáo nghiên cứu kỹ thuật DANH MỤC CÁC HÌNH ẢNH báo cáo nghiên cứu khoa học LỜI MỞ ĐẦU vào trình học tập, phân tích đề tài “Nghiên cứu giúp nhận dạng đối tượng sử dụng YOLO.” team em dìm giúp đỡ, bảo niềm nở thầy giáo, giáo viên trường Đại học tập Mỏ Địa Chất hà nội thủ đô để nhóm hồn thành đề tài phân tích khoa học tập Đặc biệt, team xin bộc bạch lịng biết ơn thâm thúy tới thầy GV.Th
S.Phạm Đình Tân, thầy trực tiếp phía dẫn, giúp sức trình thực đề tài vì chưng kiến thức thời gian hạn chế, report nghiên cứu khoa học nhiều khiếm khuyết Nhóm mong mỏi đóng góp chủ kiến thầy, cô fan để đề tài phân tích khoa học hoàn thiện báo cáo nghiên cứu kỹ thuật CHƯƠNG 1: GIỚI THIỆU VỀ YOLO Lý chọn đề tài làng mạc hội ngày cách tân và phát triển cơng nghệ ngày cải cách và phát triển theo từ cách mạng công nghiệp đến bí quyết mạng công nghiệp 4.0 Là cách mạng nhưng cốt lõi công nghệ thông tin với trang bị thông minh robot giỏi xe từ tái nhằm tăng suất lao động phục vụ cho yêu cầu đời sống fan Cùng với phát triển khoa học công nghệ, trí tuệ nhân tạo xem nhân tố định hình sau này Với phạt triển hối hả năm sát đây, trí tuệ tự tạo vào trong thực tiễn sống 1 loạt cơng nghệ sử dụng trí tuệ nhân tạo đời góp ích cho người nhiều nghành nghề dịch vụ an ninh, y học, giáo dục, bảo mật, … Machine learning nghành nghề dịch vụ trí tuệ nhân tạo (AI) nguyên tắc cốt lõi Machine learning máy tiếp nhận liệu tự học Machine learning phương thức phân tích liệu mà tự động hóa hóa vấn đề xây dựng mơ hình phân tích thực hiện thuật tốn lặp để học từ bỏ liệu, cho phép máy tính search thấy thơng tin quý giá ẩn sâu khơng lập trình cách cụ thể nơi để tìm Một chuyên môn sử dụng thông dụng Machine learning chuyên môn Deep learning Deep learning nghành nghề dịch vụ chuyên sâu Machine learning Nó sử dụng số chuyên môn Machine Learning để giải vấn đề thực tiễn cách khai quật mạng thần kinh tự tạo mô việc đưa định bạn Deep learning có áp dụng sâu rộng nghành nghề đời sống tìm kiếm sai không giống văn bản, phạt gian lận, vạc spam, nhấn dạng chữ viết tay, nhận ngoài mặt ảnh, giọng nói, góp phần đặc biệt việc hỗ trợ người nhiều lĩnh vực đời sống báo cáo nghiên cứu công nghệ Từ áp dụng thực tế, lợi ích mà Deep learning mang đến sở cần sử dụng YOLOv3 môi trường thiên nhiên Python, sở để thực tò mò đề tài: “Nghiên cứu triết lý xử lý ảnh, chuyên môn Deep Learning thiết kế chương trình thừa nhận dạng đối tượng qua webcam, video hình ảnh sử dụng YOLO ngơn ngữ xây dựng Python” nhằm phân tích ứng dụng chuyên môn Deep learning thừa nhận dạng đối tượng người tiêu dùng qua video clip sử dụng YOLO ngơn ngữ thiết kế Python Mục đích phân tích • nhấn dạng đối tượng người tiêu dùng video, webcam hình hình ảnh • Đào tạo nên YOLO để nhấn dạng súng, Đối tượng, phạm vi nghiên cứu và phân tích a Đối tượng nghiên cứu: • kỹ thuật Deep learning • Thuật tốn ứng dụng deep learning thừa nhận dạng đối tượng • nghiên cứu và phân tích YOLO mơi ngôi trường Python b Phạm vi nghiên cứu: • Phạm vi phân tích hình ảnh, video clip có sẵn qua webcam • Giới giới hạn ở mức độ thực nghiệm tạo khối hệ thống nhận dạng đối tượng người dùng sử dụng YOLO để khối hệ thống nhận biết đối tượng người dùng Ý nghĩa khoa học trong thực tiễn đề tài • xuất bản chương trình thực nghiệm nhận xét mức độ xác khối hệ thống nhận dạng đối tượng video, ảnh sử dụng YOLO • Ứng dụng hệ thống nhận dạng đối tượng vào hệ thống đo lường và thống kê an ninh, bảo mật, thống trị thông tin cá thể quan, doanh nghiệp, hộ gia đình, bank Khái quát lác YOLO 5.1 tư tưởng YOLO viết tắt You Only Look Once Đó mơ hình phát đối tượng sử dụng tính học tập mạng neural network chập sâu nhằm phát đối tượng người tiêu dùng Là mơ hình mạng CNN cho việc phát hiện, thừa nhận dạng, phân loại đối tượng người tiêu dùng Yolo tạo nên từ việc phối kết hợp convolutional layers connected layers vào convolutional layers trích xuất feature báo cáo nghiên cứu khoa học ảnh, full-connected layers dự đốn xác suất tọa độ đối tượng Thư viện áp dụng để hỗ trợ tính tốn mang lại Yolo tận dụng hartware GPU Darkflow tảng Windown Darknet giành cho Linux 5.2 lịch sử hào hùng phát triển Yolo trải trải qua nhiều phiên khác nhau, phiên tính mang đến (tháng 6/2020) Yolo v4 5.3 các phiên 5.3.1 Yolo v1 Ô lưới (Grid cell) Cắt ảnh gốc YOLO phân tách hình ảnh đầu vào thành lưới S × S mỗi lưới dự đốn đối tượng người sử dụng Ví dụ, lưới màu quà bên cố gắng dự đoán đối tượng người sử dụng người người có trung trọng điểm (dấu chấm màu xanh) nằm lưới Hình 2- chia lưới dự đốn đối tượng Mỗi lưới dự đốn số hộp cố định và thắt chặt Trong ví dụ như này, lưới màu vàng chuyển hai dự đoán hộp tinh quái giới (hộp color xanh) để xác xác định trí người report nghiên cứu công nghệ Tuy nhiên, quy tắc đối tượng người dùng giới hạn mức độ đối tượng người dùng phát ngay sát Hình 2-2 Dự đốn nhiều khả đúng theo xanh nhằm xác định đối tượng Vì thế, YOLO tất cả số hạn chế mức độ gần gũi vật thể Hình đây, bao gồm Santas góc bên trái YOLO phạt 10 báo cáo nghiên cứu kỹ thuật Hình 4-30 giao diện label
Img Chọn xuất hiện Dir trỏ vào thư mục images sinh sản để load hình ảnh Change Save Dir trỏ vào thư mục labels để lưu file gán nhãn quan trọng đặc biệt phải chọn format Yolo ko nên Pascal VOC tiếp theo sau duyệt qua file ảnh, chọn Create
Rectbox để vẽ hình chữ nhật quanh vật thể lắp nhãn đến gun Vì đào tạo và giảng dạy súng yêu cầu để Sau tạo dứt nhấn Ctrl +S để lưu lại thao tác làm việc gán nhãn cùng với file hình ảnh Báo cáo phân tích khoa học tập 4.3.4 chế tạo ra thêm file quan trọng cho trình đào tạo và huấn luyện Tạo file yolo.data, yolo.names, train.txt, val.txt yolov3.cfg darknet53.conv.74 nằm project Hình 4- 31 những file thư mục phải thiết họ cụ thể vào file sau: Đầu tiên tệp tin yolo.names dùng để làm hiển thị đối tượng nhận dạng Mở tệp tin ghi sung ngan gìn giữ Nếu đào tạo nhiều đối tượng người sử dụng tên đối tượng người dùng đặt dòng tiếp theo tạo tệp tin train.txt val.txt tệp tin train.txt chứa list file hình ảnh sử dụng nhằm đào tạo tương tự file val.txt chứa danh sách file hình ảnh để thực validation cho mã sản phẩm Thông thường xuyên chia bỗng dưng theo phần trăm 80/20 nghĩa 80% liệu giành riêng cho train 20% liệu dành cho val tệp tin train.txt val.txt để hình ảnh dòng Cả hai tệp tin train.txt val.txt cất đường dẫn tương đối đến ảnh nằm thư mục images Để tạo băng thông để lưu giữ vào tệp tin train.txt val.txt nhanh lẹ dùng tools thay bắt buộc gõ thủ cơng lờ lững Tìm kiếm google với trường đoản cú khóa send menu of tệp tin in a thư mục to report nghiên cứu kỹ thuật a txt tệp tin in Linux/Window tìm về trang stackoverflow hệ điều hành và quản lý linux bắt buộc thực trỏ tới folder images Hình 4-32 Teminal trỏ tới thư mục images chạy lệnh printf "%s " "$PWD"/* >train.txt để sản xuất file train.txt chứa đường dẫn hoàn hảo và tuyệt vời nhất đến hình ảnh bên thư mục images report nghiên cứu khoa học vày chạy lịch trình từ thư mục NCKH_ nên phải đường dẫn kha khá data/images/ để sửa toàn sang mặt đường dẫn tương đối mở file train.txt VS code thừa nhận Ctrl + F nhập con đường dẫn hoàn hảo nhất đến folder NCKH_ thực hiện replace để xóa giữ hộ lại mặt đường dẫn kha khá Hình 4- 33 dữ liệu file train.txt Hình 4-35 Kết file train.txt Hình 4-34 bối cảnh VS code báo cáo nghiên cứu khoa học file val.txt tương tự như file train.txt (nên ghi nhớ file tạo nên thư mục NCKH_ tiếp theo tạo tệp tin yolo.data cùng với nội dung: Hình 4-36 câu chữ file yolo.data Cuối sở hữu file darknet53.conv.74 tự link: https://pjreddie.com/media/files/darknet53.conv.74 vào lưu vào NCKH_ 4.3.5 Đào tạo nên Google Colab truy vấn vào địa : https://colab.research.google.com/notebooks/intro.ipynb#recent=true Đăng nhập tài khoản Google, chọn Runtime > Change runtime type > GPU (để sử dụng GPU đến project) report nghiên cứu kỹ thuật Sau kết nối thành công google drive với google colab ta nên mã mối cung cấp để thực hiện đào tạo thành (mã nguồn lưu giữ vào tệp tin nén mặt google drive) giải nén mặt colab lệnh: cd vào context sử dụng lệnh !unzip tiếp theo biên dịch mã mối cung cấp lệnh Google Colab không cung cấp backup liệu phải ta cần liên kết google drive nhằm lưu file weight train thành công !rm /content/darknet/backup -r báo cáo nghiên cứu khoa học !ln -s /content/drive/"My Drive"/NCKH/backup /content/darknet thực hiện train liệu: Google colab reset xóa hết liệu khơng có shop khoảng thời gian định buộc phải thêm đoạn code java
Script nhằm sau khoảng tầm thời gian tự động hóa click vào button để tránh reset colab có tác dụng hết liệu train report nghiên cứu kỹ thuật Sau 60s tự động click vào button gồm id connect Tùy vào số lượng liệu mà thời hạn train tốn nhiều hay (đối với liệu súng thời hạn train 10h) Sau train thành công drive folder backup xuất tệp tin weights thiết lập file (là tệp tin train sát nhất) để sử dụng • Ước tính thời gian huấn luyện báo cáo nghiên cứu công nghệ Khi hiểu kỹ lý thuyết mơ hình YOLO phát âm lý mã sản phẩm YOLO lại huấn luyện và đào tạo lâu Từ hình ảnh đầu vào kích cỡ 418x418, YOLO cần dự kiến nhãn tọa độ tổng cộng (13x13+26x26+52x52)x3 = 10647 bounding boxes đưa sử batch có form size 64 hình ảnh số lượng max_batches = 5000 Như đề nghị dự báo cho tổng cộng: 10647x5000x64 = 3.4 triệu bounding boxes Đây số không nhỏ nên trình giảng dạy google colab tới vài 4.4 Kết dìm diện 4.4.1 dấn diện qua hình ảnh Lệnh chạy chương trình: python3 YOLO.py -i -cl yolo.names -w backup/yolov3.backup -c cfg/yolov3.cfg vào đó: • a hình ảnh muốn nhấn diện súng Hình 4-37 Kết dấn diện súng qua hình ảnh(1) report nghiên cứu khoa học Hình 4- 38 Kết nhấn diện súng qua hình ảnh(2) 4.4.2 thừa nhận diện qua video clip Lệnh chạy chương trình: python3 video_detect.py -cl yolo.names -w backup/yolov3.backup -c cfg/yolov3.cfg -i vào đó: • a đoạn phim muốn nhận diện súng Hình 4- 39 Kết chụp từ video nhận diện súng report nghiên cứu khoa học 4.5 Mã nguồn chương trình 4.5.1 Mã nguồn dìm diện qua video báo cáo nghiên cứu khoa học report nghiên cứu công nghệ 4.5.2 Mã nguồn dấn diện qua hình ảnh Báo cáo nghiên cứu khoa học KẾT LUẬN Trong phân tích này, team em đề cập đến phân tích nhận dạng phát đối tượng người tiêu dùng video, webcam hình ảnh trước thử nghiệm, tấn công giá, tìm kiếm điểm chung phân tích Từ đề giải pháp tối ưu việc lựa chọn cách thức xử lý ảnh, nghệ thuật Deep Learning thi công chương trình dìm dạng đối tượng người dùng sử dụng YOLO ngơn ngữ xây dựng Python Sau trình xúc tiến đề tài, hệ thống nhận dạng đếm xe với độ xác cao tuy nhiên, tất cả trường hợp không nhận dạng Sự thiếu thốn xác xuất phát điểm từ nhiều lý do khác thiếu liệu đào tạo nên mơ hình thừa nhận dạng có năng suất khơng cao, thuật tốn tính vận tốc xe chưa buổi tối ưu, chạy máy không hỗ trợ GPU hay vì sao khách quan khác đồ gia dụng cản bít khuất, thời tiết, Hệ thống đạt hiệu suất cao dìm diện xe mặt đường chiều, con đường rộng xe tỷ lệ xe ko cao report nghiên cứu khoa học TÀI LIỆU THAM KHẢO https://towardsdatascience.com/object-detection-using-yolov3-andopencv-19ee0792a420 https://medium.com/sota-tek-jsc/cnn-detect-custom-object-v%E1%BB %9Bi-yolov3-63866906b5dd https://pjreddie.com/media/files/papers/YOLOv3.pdf https://medium.com/
Object Detection
Một một trong những lĩnh vực đặc biệt quan trọng của Trí tuệ tự tạo (Artificial Intelligence) là thị giác thiết bị (Computer Vision). Computer Vision là 1 lĩnh vực bao hàm các cách thức thu nhận, xử lý hình ảnh kỹ thuật số, phân tích và nhận dạng các hình ảnh, vạc hiện các đối tượng, chế tác ảnh, rất phân giải hình ảnh và nhiều hơn vậy. Object Detection chắc hẳn rằng là khía cạnh thâm thúy nhất của thị giác máy vì chưng số lần áp dụng trong thực tế.
Bạn đang xem: Nhận dạng đối tượng trong video (Object recognition in video)
Object Detection đề cập đến khả năng của khối hệ thống máy tính và phần mềm để định vị các đối tượng người dùng trong một hình hình ảnh và khẳng định từng đối tượng. Object Detection đã được sử dụng thoáng rộng để phát hiện khuôn mặt, phát hiện nay xe, đếm số người đi bộ, hệ thống bảo mật cùng xe không tín đồ lái. Gồm nhiều cách để nhận diện đối tượng có thể được sử dụng cũng giống như trong nhiều nghành nghề thực hành. Giống hệt như mọi công nghệ khác, một loạt các ứng dụng trí tuệ sáng tạo và tuyệt vời và hoàn hảo nhất của Object Detection sẽ tới từ những lập trình viên và các nhà trở nên tân tiến phần mềm.
Bắt đầu áp dụng các cách thức nhận diện đối tượng người sử dụng hiện đại trong những ứng dụng với hệ thống, tương tự như xây dựng các ứng dụng mới dựa vào các phương pháp này.Việc triển nhận diện đối tượng người tiêu dùng sớm liên quan đến bài toán sử dụng các thuật toán cổ điển, giống như các thuật toán được hỗ trợ trong Open
CV, tủ sách computer vision phổ biến. Mặc dù nhiên, các thuật toán cổ điển này ko thể dành được hiệu suất đủ để triển khai việc trong các điều kiện khác nhau.
Việc áp dụng đột phát và nhanh cóng của deep learning vào khoảng thời gian 2012 đã đưa vào sự tồn tại những thuật toán và cách thức phát hiện đối tượng người sử dụng hiện đại và đúng đắn cao như R-CNN, Fast-RCNN, Faster-RCNN, Retina
Net và nhanh hơn tuy thế rất chính xác như SSD với YOLO. Sử dụng các phương pháp và thuật toán này, dựa trên deep learning và cũng dựa vào việc học máy yên cầu rất nhiều kỹ năng về toán học và bài toán học sâu. Gồm hàng triệu chuyên gia lập trình và các nhà phạt triển ứng dụng muốn tích phù hợp và tạo ra các mặt hàng mới toanh sử dụng object detection. Nhưng technology này xa khoảng tay của họ và phức hợp để hiểu cùng sử dụng thực tiễn của nó.
Image
AI, một thư viện python cho phép các lập trình sẵn viên và những nhà trở nên tân tiến phần mềm thuận tiện tích hòa hợp các technology thị giác máy tân tiến vào những ứng dụng hiện có và new của họ, và chỉ việc sử dụng một vài loại mã. Image
AI cung cấp một danh sách các thuật toán học tập máy tân tiến nhất đến việc dự đoán hình ảnh,, nhận diện trang bị thể, vạc diện video,...
Để tiến hành nhận diện đối tượng người sử dụng bằng Image
AI, tất cả những gì bạn cần làm là:
Cài đặt Image
AI và phụ thuộc vào của nó.Tải xuống file mô hình Object Detection
Chạy chương trình
Bây giờ, hãy bắt đầu
Tensorflow 1.4.0 (and later versions)pip3 install --upgrade tensorflow Numpy 1.13.1 (and later versions)pip3 install numpy Sci
Py 0.19.1 (and later versions)pip3 install scipy Open
CVpip3 install opencv-python Pillowpip3 install pillow Matplotlibpip3 install matplotlib h5pypip3 install h5py Keras 2.x pip3 install keras Image
AIpip install https://github.com/Olafenwa
Moses/Image
AI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl
Mọi thứ đang sẵn sàng, tạo nên một tệp python là Object
Detection.py. Xào luộc file mô hình Retina
Net cùng hình hình ảnh mà bạn muốn phát hiện nay vào thư mục chứa file Object
Detection.py.
Nhập vào tệp tin Object
Detection.py đoạn mã sau:
from imageai.Detection import Object
Detectionimport osexecution_path = os.getcwd()detector = Object
Detection()detector.set
Model
Type
As
Retina
Net()detector.set
Model
Path( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.load
Model()detections = detector.detect
Objects
From
Image(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))for each
Object in detections: print(each
Object<"name"> + " : " + each
Object<"percentage_probability"> )Ba dòng đầu tiên, vẫn import lớp Image
AI Object Detection ở loại đầu tiên, dòng thứ 2 là import lớp python os và xác minh một biến chuyển để giữ đường dẫn đến thư mục cất file python của chúng ta. Tệp mô hình Retina
Net cùng hình ảnh nằm ở dòng thứ ba
from imageai.Detection import Object
Detectionimport osexecution_path = os.getcwd()Tiếp 5 chiếc mã sau, bọn họ đã định nghĩa lớp object detection trong chiếc đầu, tùy chỉnh cấu hình kiểu mô hình cho Retina
Net trong dòng thứ hai, tùy chỉnh thiết lập đường dẫn của quy mô Retina
Net trong cái thứ ba, load quy mô vào lớp object detection ở trong cái thứ tư, tiếp đến ta điện thoại tư vấn hàm detection cùng được so sánh cú pháp trong đường dẫn hình hình ảnh đầu vào và đường dẫn hình hình ảnh đầu ra trong mẫu thứ năm.
detector = Object
Detection()detector.set
Model
Type
As
Retina
Net()detector.set
Model
Path( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.load
Model()detections = detector.detect
Objects
From
Image(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg")Trong hai mẫu mã cuối, ta lặp qua tất cả các tác dụng được trả về bởi hàm detector.detect
Objects
From
Image trong cái đầu tiên, tiếp nối in ra tên và xác suất xác suất của quy mô trên từng đối tượng người dùng được phát hiện trong hình hình ảnh trong dòng thứ hai.
for each
Object in detections: print(each
Object<"name"> + " : " + each
Object<"percentage_probability"> )Image
AI hỗ trợ nhiều cấu hình thiết lập mạnh mẽ của quá trình nhận diện đối tượng. Một trong số đó là kỹ năng trích xuất hình hình ảnh của từng đối tượng người dùng được phát hiện nay trong hình ảnh. Bằng phương pháp thêm thông số extract_detected_objects=True vào hàm detect
Objects
From
Image. Lớp object detection sẽ tạo nên một thư mục mang lại các đối tượng người dùng hình ảnh, trích xuất từng ảnh, lưu từng hình ảnh vào folder mới.
detections = detector.detect
Objects
From
Image(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"), extract_detected_objects=True)Hình ảnh ban đầu:
Sau lúc ta thêm tham số extract_detected_objects=True vào hàm detect
Objects
From
Image, sẽ tạo thêm một thư mục, rích xuất từng ảnh, lưu lại từng hình ảnh vào folder mới.
Xem thêm: Nhập Ngày Trong Excel, Thêm Thông Tin Ngày Tháng Hiện Tại, Cách Tạo Hàm Tự Nhảy Ngày Tháng Trong Excel
Một vài ba hình ảnh được trích xuất bao gồm trong thư mục:
Tương tự, ta cũng có thể nhận diện các vật thể qua clip sử dụng đoạn clip Object Detection có cung cấp trong thư viện Image
AI.
from imageai.Detection import Video
Object
Detectionimport osexecution_path = os.getcwd()detector = Video
Object
Detection()detector.set
Model
Type
As
Retina
Net()detector.set
Model
Path( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.load
Model()video_path = detector.detect
Objects
From
Video(input_file_path=os.path.join(execution_path, "traffic.mp4"), output_file_path=os.path.join(execution_path, "traffic_detected") , frames_per_second=20, log_progress=True)print(video_path)Không chèn được đoạn phim nên mình đưa links vậy
