I denne opgave dykker du ned i **objektgenkendelse** ved hjælp af dyb læring. Først bygger du din **egen objektgenkendelsesmodel** fra bunden med **Keras**. Derefter **indlæser du en fortrænet YOLOv8-model** og anvender den på det samme datasæt.

Undervejs vil du:

- Træne en simpel Keras-baseret objektgenkender;
- Indlæse og køre forudsigelser med en YOLOv8-model trænet på de samme data;
- Evaluere dens ydeevne på rigtige valideringsbilleder;
- Sammenligne resultater og forstå forskellen mellem egne modeller og de mest avancerede.

Midt i notebooken reflekterer du over, hvorfor det kan være begrænsende at bygge detektionsmodeller fra bunden — og nævner kort vigtigheden af **transfer learning** i praktiske anvendelser.

### [Colab Object Detection Project](https://colab.research.google.com/drive/1S9TTP01SHG20Ugm-hYuoCdqvq-tqUr36?usp=sharing)



Download datasæt

Omfattende introduktion til computer vision med fokus på maskinens opfattelse og fortolkning af visuelle data. Dækker billedforbehandling, feature-ekstraktion, objektdetektion og dybdelæringsteknikker anvendt i moderne visionssystemer.

Computer vision gør det muligt for maskiner at fortolke og analysere visuelle data ved at efterligne menneskelig perception. Dette afsnit dækker grundlæggende billedrepræsentation, farvemodeller og matematiske fundamenter, som er essentielle for at forstå, hvordan computere behandler billeder. Du vil udforske virkelige anvendelser, fra autonome køretøjer til medicinsk billedbehandling, og få indsigt i, hvordan computer vision integreres med AI og maskinlæring.

OpenCV er et kraftfuldt bibliotek til billedmanipulation og computer vision-opgaver. Dette afsnit dækker væsentlige teknikker såsom billedfiltrering, transformationer, kantdetektion og segmentering. Du lærer at udføre sløring, tærskling, konturdetektion og feature-ekstraktion for at forbedre og analysere billeder effektivt.

CNN'er behandler visuelle data ved hjælp af konvolution, pooling og aktiveringslag for at udtrække træk til opgaver som billedklassificering og objektdetektion. Centrale komponenter omfatter padding, konvolution til trækudtrækning, pooling til reduktion af kompleksitet og aktivering for ikke-linearitet. Populære arkitekturer som AlexNet, VGG og ResNet driver AI inden for sundhedspleje, autonomi og sikkerhed.

Objektdetektion er en grundlæggende opgave inden for computer vision, der omfatter identifikation og lokalisering af objekter i et billede. I modsætning til billedklassificering, som tildeler en enkelt etiket til et helt billede, klassificerer objektdetektion ikke kun objekter, men bestemmer også deres positioner ved hjælp af afgrænsningsbokse. Dette afsnit dækker centrale teknikker og algoritmer anvendt i objektdetektion, fra traditionelle metoder til dybdelæringsbaserede tilgange som YOLO og U-Net.

Computer vision har gennemgået betydelige fremskridt gennem årene, fra grundlæggende billedbehandlingsmetoder til avancerede deep learning-teknikker. Dette afsnit undersøger de nyeste innovationer inden for computer vision med fokus på transfer learning, ansigtsgenkendelse og billedgenerering. Vi udforsker fordelene ved prætrænede modeller for ydeevne, principperne bag ansigtsgenkendelsesteknologi samt hvordan AI skaber billeder ved hjælp af deep learning.

Udfordring: Objektdetektion med Brugerdefineret Model og YOLO

Opgave

Colab Object Detection Project