Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utmaning: Objektdetektering med Anpassad Modell och YOLO | Objektdetektering
Grundläggande Datorseende
course content

Kursinnehåll

Grundläggande Datorseende

Grundläggande Datorseende

1. Introduktion till Datorseende
2. Bildbehandling med OpenCV
3. Konvolutionella Neurala Nätverk
4. Objektdetektering
5. Översikt över Avancerade Ämnen

book
Utmaning: Objektdetektering med Anpassad Modell och YOLO

I denna uppgift kommer du att fördjupa dig i objektdetektering med hjälp av djupinlärning. Först bygger du din egen objektdetektionsmodell från grunden med Keras. Därefter kommer du att ladda en förtränad YOLOv8-modell och tillämpa den på samma dataset.

Under arbetets gång kommer du att:

  • Träna en enkel objektdetektor baserad på Keras;

  • Ladda och köra prediktioner med en YOLOv8-modell tränad på samma data;

  • Utvärdera dess prestanda på verkliga valideringsbilder;

  • Jämföra resultat och förstå skillnaden mellan egna modeller och toppmoderna modeller.

I mitten av notebooken reflekterar du över varför det kan vara begränsande att bygga detektionsmodeller från grunden — och nämner kort vikten av transfer learning för praktiska tillämpningar.

question-icon

Slutför utmaningen och klistra in alla delar av nyckeln

1.  2.  3.  4.  5.  6.  7.  8.
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 8

Fråga AI

expand
ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

course content

Kursinnehåll

Grundläggande Datorseende

Grundläggande Datorseende

1. Introduktion till Datorseende
2. Bildbehandling med OpenCV
3. Konvolutionella Neurala Nätverk
4. Objektdetektering
5. Översikt över Avancerade Ämnen

book
Utmaning: Objektdetektering med Anpassad Modell och YOLO

I denna uppgift kommer du att fördjupa dig i objektdetektering med hjälp av djupinlärning. Först bygger du din egen objektdetektionsmodell från grunden med Keras. Därefter kommer du att ladda en förtränad YOLOv8-modell och tillämpa den på samma dataset.

Under arbetets gång kommer du att:

  • Träna en enkel objektdetektor baserad på Keras;

  • Ladda och köra prediktioner med en YOLOv8-modell tränad på samma data;

  • Utvärdera dess prestanda på verkliga valideringsbilder;

  • Jämföra resultat och förstå skillnaden mellan egna modeller och toppmoderna modeller.

I mitten av notebooken reflekterar du över varför det kan vara begränsande att bygga detektionsmodeller från grunden — och nämner kort vikten av transfer learning för praktiska tillämpningar.

question-icon

Slutför utmaningen och klistra in alla delar av nyckeln

1.  2.  3.  4.  5.  6.  7.  8.
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 8
Vi beklagar att något gick fel. Vad hände?
some-alt