Tvorba aplikací počítačového vidění pomocí umělých neuronových sítí: S příklady krok za krokem v Opencv a Tensorflow s Pythonem.

Recenze čtenářů

Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 9 hlasů.

Původní název:

Building Computer Vision Applications Using Artificial Neural Networks: With Step-By-Step Examples in Opencv and Tensorflow with Python

Obsah knihy:

Oddíl 11. Kapitola 1: Předpoklady a instalace softwaru 1. 1. Python a PIP 1. 1. 1. Instalace Pythonu a PIP v Ubuntu 1. 1. 2. Instalace Pythonu a PIP na Mac OS 1. 1. 3. Instalace Pythonu a PIP na CentOS 7 1. 1. 4. Instalace Pythonu a PIP na Windows 1. 2. Virtualenv 1. 2. 1. Nastavení a aktivace virtualenv 1. 3. Tensorflow 1. 3. 1. Instalace Tensorflow 1. 4. Instalace Tensorflow. PyCharm IDE 1. 4. 1. Instalace PyCharm 1. 4. 1. 4. 2. Konfigurace PyCharm pro použití virtualenv 1. 5. OpenCV 1. 5. 1. Instalace OpenCV 1. 5. 2. Instalace OpenCV4 s vazbou na Python 1. 6. Doplňkové knihovny 1. 6. 1. SciPy 1. 6. 2. 2. Matplotlib: 1.

Kapitola 2: Základní pojmy zpracování obrazu a videa 1. 7. Zpracování obrazu 1. 7. 1. Základy zpracování obrazu 1. 7. 2. Pixel 1. 7. 3. Barva pixelu 1. 7. 3. 1. Stupně šedi 1. 7. 3. 2. Barevný pixel 7. 3. 2. Barva 1. 7. 4. Souřadnicový systém 1. 7. 5. Kód Pythonu a OpenCV pro manipulaci s obrázky 1. 7. 6. Program: načítání, zkoumání a zobrazování obrázku 1. 7. 7. 7. Program: Kód OpenCV pro přístup k pixelům a manipulaci s nimi 1. 8. Kreslení 1. 8. 1. Kreslení čáry na obrázku 1. 8. 2. Kreslení obdélníku na obrázku 1. 8. 8. 3. Kreslení kruhu na obrázku 1. 9. Shrnutí kapitoly 1. 10. 2. Kapitola 3: Techniky zpracování obrazu 2. 1. Transformace 2. 1. 1. Změna velikosti 2. 1. 2. Translace 2. 1. 3. Rotace 2. 1. 4. Obracení 2. 1. 5. Oříznutí 2. 2. Aritmetické a bitové operace s obrázky 2. 2. 2. 1. Sčítání 2. 2. 2. Odčítání 2. 2. 3. Bitové operace 2. 2. 3. 1. NEBO 2. 2. 3. 2. A 2. 2. 3. 3. NOT 2. 2. 3. 4. XOR 2. 3. Maskování 2. 4. Rozdělení a sloučení kanálů 2. 5. Vyhlazování a rozmazávání 2. 6. Prahování 2. 7. Detekce gradientu a hran 2. 8. Kontury2. 9. Shrnutí kapitoly.

Oddíl 23. Kapitola 4: Budování systému umělé inteligence pro počítačové vidění 3. 1. Potrubí pro zpracování obrazu 3. 2. Extrakce příznaků 3. 2. 1. Barevný histogram 3. 2. 2. GLCM 3. 2. 3. HOG 3. 2. 4. LBP 3. 3. Výběr příznaků 3. 3. 3. 1. Filtr 3. 3. 2. Wrapper 3. 3. 3. Vložený 3. 3. 4. Regularizace 3. 4. Shrnutí kapitoly.

4. Kapitola 5: Umělé neuronové sítě pro počítačové vidění 4. 1. Úvod do ANN 4. 1. 1. Topologie ANN 4. 1. 2. Hyperparametry 4. 1. 3. Trénování modelu ANN pomocí TensorFlow 4. 1. 4. Vyhodnocení modelu 4. 1. 5. Nasazení modelu 4. 1. 6. Použití natrénovaného modelu 4. 2. Úvod do konvoluční neuronové sítě (CNN) 4. 2. 1. Základní pojmy CNN4. 2. 2. Vytvoření trénovací množiny pro CNN4. 2. 3. Trénování modelu CNN pomocí TensorFlow 4. 2. 4. Kontrola modelu CNN a vyhodnocení vhodnosti modelu4. 2. 5. Použití a nasazení natrénovaného modelu4. 3. Úvod do rekurentní neuronové sítě (RNN) a dlouhodobé krátkodobé paměti (LSTM)4. 3. 1. Úvod do neuronové sítě. Základní pojmy RNN a LSTM4. 3. 2. Vytvoření trénovací sady pro LSTM4. 3. 3. Trénování modelu LSTM pomocí TensorFlow4. 3. 4. Kontrola modelu LSTM a posouzení vhodnosti4. 3. 5. Nasazení modelů LSTM v praxi.

Oddíl 35. Kapitola 6: Praktický příklad 1- Detekce objektů v obrazech 6. Kapitola 7: Praktický příklad 2- Sledování objektů ve videích 7. Kapitola 8: Praktický příklad 3- Detekce obličeje 8. Kapitola 9: Průmyslová aplikace - Detekce vad v reálném čase v průmyslové výrobě.