利用自訂的資料對 YOLO 進行目標檢測的訓練

Contents

以對影像、視訊及實時相機攝影標記、培訓和測試，建立自己的檢測器( detector )

從這 7 小時的課程，你會學到

在這個實踐課程中，你將使用 YOLO v3-v4 演算法來訓練你自己的物件檢測器( Object Detector )。

至於開始，你將在 COCO 資料集上實施已經訓練好的 YOLO v3。你可以通過 OpenCV 深度學習程式庫檢測影像、視訊和實時的物件。你可以稍後整合這些程式碼樣板到你自己的未來專案中，並將其用於你自己受過訓練的模型。

在此之後，你將標記自己的資料集，以及從現有的龐大資料集中提取所需的影像建立自訂的一個資料集。

接下來，你將把交通號誌資料集轉換成 YOLO 格式。用於轉換的程式碼樣板可以在以後的工作中修改和應用其他資料集。

資料集準備好後，你將在 Darknet 框架中訓練和測試 YOLO v3-v4 探測器。

至於獎勵部分，你將在 YOLO 和 PyQt 的幫助下構建目標檢測( Object Detection )的圖形使用者介面。這個專案你可以向你的上司展示你的成果，或者在同學面前做一個演示，甚至在你的簡歷中提到它。

內容組織。課程的每個部分包括:

Valentyn Sichkar 電腦視覺，機器學習，影像處理 (更多講師主講課程介紹)

我是智慧系統的博士生。學習電腦視覺、機器學習、影像處理，開發安全自駕車輛的演算法。

我擁有製造自動化專業的理學學士學位，在那裡我獲得如何通過整合更有效的裝置來提高生產速度和品質的知識，比如不間斷過濾、速度和實時溫度控制，以及用於對不同類型的產品進行分類和分類的光學感測器。

我已獲得了智慧系統碩士學位，在那裡我獲得了機器學習、電腦視覺和智慧機器人的廣泛知識。我的最後一個專案是為移動機器人開發警報系統，該系統可以提供與目標的距離資訊 – 安全距離、警吿距離和報警距離。該系統在移動機器人周圍形成一個帶有綠色、黃色和紅色區域的氣泡，以防止機器人與障礙物的碰撞。

我已經發表的研究使用不同維度的過濾器卷積神經網路(ConvNet)的交通標誌有效分類。為了有機會線上測試分類，我在 Linux VPS 和 Flask 框架的基礎的 Web 上部署了訓練有素的 ConvNet。

專業興趣: 電腦視覺，卷積神經網路，自動駕駛汽車系統，自主機器人。

點選這個✨優惠連結✨ 課程特價 | Udemy 永久擁有課程 NT390 起( 在電腦瀏覽器登入，點選“優惠連結”後再回想要的課程介紹中點選“報名參加課程”即可取得）
Udemy 現在越來越多課程有中文字幕，請參考 Soft & Share 中文線上課程
手機上點選優惠連結看到的價格比電腦上看到的貴
＄代表當地貨幣, 如在台灣為 NT
點選”報名參加課程”有可能因瀏覽器 cookies 轉久一點或回報錯誤而無法連上，請稍等刷新或重新點選就會出現