OpenCV DNN module enables deep learning inference on images and videos. Module is highly optimized for Intel processors. Supports various deep learning frameworks including Caffe, TensorFlow, Torch, and PyTorch
Bu video, Hedef Dedektör İstanbul'un 38 yıllık bir firma olduğunu belirten bir ürün tanıtımıdır. Sunucu, yeni bir alan tarama çubuğunu tanıtmaktadır.. Videoda, hazneli olan ve sökülebilen yeni bir alan tarama çubuğunun özellikleri gösterilmektedir. Sunucu önce çubuğun haznesine altın ve gümüş yüzük koyarak cihazın nasıl çalıştığını göstermekte, ardından cihazın nasıl kilitlendiğini ve bulduğu nesneleri nasıl tespit ettiğini anlatmaktadır. Cihazın üç parça halinde olduğu ve haznesinin sökülebileceği vurgulanmaktadır.
YOLO11 launched as latest SOTA vision model. Supports object detection, segmentation, and classification. Available in PyTorch, ONNX, CoreML, and TFLite formats
Bu eğitim videosu, Havaalan'ın Murat Baldan Nesne Tanıma ve Algıma Takım Lideri ve Bilgi ve İletişim Teknolojileri Genel Müdürlüğü Müdür Yardımcısı tarafından sunulmaktadır.. Video, Python programlama dilini kullanarak görüntü işleme ve derin öğrenme konularını kapsamlı şekilde ele almaktadır. İçerik, Python ortamının kurulumundan başlayarak Numpy ve OpenCV kütüphanelerinin kullanımı, sinir ağlarının temel prensipleri ve Keras kütüphanesi ile MNIST veri setinde el yazısı rakamlarının sınıflandırılması örnekleri sunmaktadır. Son bölümde ise nesne tespit yöntemlerinin tarihsel gelişimi ve Faster R-CNN, YOLO, SSD gibi modern derin öğrenme algoritmaları anlatılmaktadır.. Eğitim, özellikle görüntü işleme, veri manipülasyonu ve derin öğrenme konularında Python kullanmak isteyenler için tasarlanmıştır. Ayrıca, bu teknolojinin otonom araçlar, hava görüntüleri, IHA görüntüleri ve güvenlik sistemleri gibi pratik uygulamalardaki kullanım alanları da gösterilmektedir.
Ultralytics offers various models for object detection, segmentation, and classification. YOLOv3-11 versions provide real-time object detection capabilities. SAM, SAM2, MobileSAM, and FastSAM models support segmentation tasks. YOLO-NAS and RT-DETR models offer real-time detection capabilities
Object detection models identify and classify relevant objects in images. Models predict bounding boxes and assign classes to them. Models can tradeoff precision for recall by adjusting confidence thresholds
ESP32-CAM is a 9-dollar board capable of simple object detection. Object detection combines classification and localization technologies. TinyML enables machine learning on low-power microcontrollers
Bu video, bir eğitmenin Udemy platformunda sunduğu kursu tanıttığı kısa bir içeriktir.. Videoda eğitmen, uzun bir aradan sonra Udemy'de sunduğu "Otonom Araçlar İçin Nesne Tespit" kursunu tanıtmaktadır. Kurs, Python, Arduino ve OpenCV teknolojilerini kullanarak otonom araçlar için nesne tespiti konusunu ele almaktadır. Video, kursun başarılı bir şekilde tamamlanmasıyla sona ermektedir.
YOLOv8 is Ultralytics' latest object detection model using PyTorch. Model performs better than YOLOv5 64% of the time on RF100 dataset. Supports object detection, instance segmentation, and image classification
Bu video, bir eğitmen tarafından sunulan teknik bir eğitim serisinin ikinci bölümüdür. Eğitmen, izleyicilere adım adım kodlama sürecini göstermektedir.. Video, Label Mitch programının Windows Anakonda IDE'si üzerinden kurulumunu ve veri setinin hazırlanmasını anlatmaktadır. İlk bölümde Chrome eklentisi kullanılarak "mask" adlı bir nesne için veri seti oluşturulurken, ikinci bölümde XML dosyalarının CSV formatına dönüştürülmesi ve ardından bu CSV dosyalarının TF Record formatına dönüştürülmesi gösterilmektedir.. Eğitim serisi, bir sonraki videoda hazır bir SSD modeli üzerinden eğitim yapılacağı ve daha sonra 450 fotoğraflı bir video setinin nasıl oluşturulacağı anlatılacağı bilgisiyle devam edecektir.
"Genç Yazılımcı" kanalında yayınlanan bu eğitim videosu, bir eğitmen tarafından sunulan yapay zeka modeli kurulum ve test sürecini adım adım göstermektedir.. Video, Darknet framework'ünün kurulumundan başlayarak gerekli sistem gereksinimlerini (Python, Visual Studio, CUDA, OpenCV) hatırlatıp, GitHub'dan indirme, derleme ve YOLO V4 modelinin kurulumunu detaylı olarak anlatmaktadır. Ardından önceden eğitilmiş ağırlık dosyası kullanılarak hem resim hem de video üzerinde nesne tespiti testleri gerçekleştirilmekte ve sonuçlar gösterilmektedir.. Videoda ayrıca ekran kartı destekli sistemin işlemci üzerinde çalışan sistemlere göre yaklaşık 4-5 kat daha hızlı çalıştığı belirtilmekte ve bir sonraki bölümde kendi custom modelin eğitileceği bilgisi verilmektedir.
Bu video, Uğur Elektronik tarafından oluşturulan görüntüleme cihazları test alanının tanıtımını yapan bir tanıtım videosu formatındadır. Konuşmacı, test alanının özelliklerini ve kullanım alanlarını anlatmaktadır.. Videoda, görüntüleme cihazlarını test etmek için oluşturulan test alanının detayları gösterilmektedir. Alanda bakır metal, boşluk, varil gibi farklı nesneler gömülmüş ve bu nesnelerin görüntüleme cihazlarıyla nasıl tespit edilebileceği test edilmiştir. Konuşmacı, müşterilerin kendi görüntüleme sistemlerini getirebileceğini, kullanamadıkları durumlarda ise Uğur Elektronik'in burada kullanmayı öğreteceğini belirtmektedir. Ayrıca, bu test alanının Türkiye'de ilk defa Uğur Elektronik tarafından oluşturulduğu ve arazi çekimlerinde de kullanılacağı bilgisi paylaşılmaktadır.
Bu video, lisans bitirme çalışması kapsamında trafik levhalarının bulunduğu veri setini kullanarak nesne tespit tekniklerini eğiten bir eğitim içeriğidir.. Video, trafik levhaları veri seti oluşturma sürecinden başlayarak, Boing Box Label programı ile görüntü etiketleme, veri artırımı ve YOLO5 modelinin kurulumunu adım adım göstermektedir. Eğitim, veri setinin train, validation ve test bölümlerine ayrılması, modelin eğitilmesi ve BNB platformunda checkpoint kaydetme ile devam etmekte, son olarak eğitilen modelin görüntü ve video üzerinde test edilmesiyle sonlanmaktadır.. Eğitim içeriğinde ayrıca PyTorch kütüphanesi, nesne tespiti kavramları ve ekran kartı modelinin yazdırılması gibi teknik detaylar da yer almaktadır. Video, nesne tespiti yapmak isteyenler için temel bilgileri ve pratik uygulamaları içermektedir.
Bu video, bir kişinin Mine Lab Relish Kavuk 38'lik demir arama makinesini test ettiği bir ürün inceleme içeriğidir.. Videoda, makine 30 santimlik bir çukurda çeşitli nesneleri tespit etme performansı test edilmektedir. Önce 5 gramlık bir yusuf, ardından 35 santim derinlikte bir lira, kırmızı tuğla altında altın yüzük ve taş altında altın yüzük, son olarak da 5 kuruş tespit edilmektedir. Makine, farklı derinliklerde ve farklı nesnelerin altında bile başarılı bir şekilde nesneleri tespit etmekte ve taş dökme gibi sorunlar yaşamamaktadır.
Bu video, Vision Transformer serisinin bir parçası olup, Swin Transformer modelini detaylı bir şekilde ele almaktadır.. Video, Swin Transformer'ın bilgisayar görüşü için genel kapsamlı bir arka plan olarak nasıl tasarlandığını açıklamaktadır. İçerikte, Swin Transformer'ın orijinal Vision Transformer'a göre sunduğu çözümler, özellikle ölçeklenebilirlik ve hesaplama karmaşıklığı sorunlarına yönelik yaklaşımları anlatılmaktadır. Modelin yapısı, MSA (Multi-Scale Attention) blokları, patch merging katmanları ve shift window dikkat mekanizması gibi temel bileşenleri detaylı olarak açıklanmaktadır. Ayrıca, Swin Transformer'ın görüntü sınıflandırması, nesne tespiti ve semantik segmentasyon gibi farklı bilgisayar görüşü görevlerinde CNN'ler ve diğer popüler modellerle karşılaştırması da sunulmaktadır.
Bu video, Yakup adlı bir eğitmen tarafından sunulan, YOLO ve Tiny YOLO modelleri kullanarak nesne tespiti ve sayma işlemlerini anlatan bir eğitim içeriğidir.. Video, GitHub'dan repo indirme ve gerekli kütüphanelerin kurulumu ile başlayıp, eğitilmiş YOLO modellerinin indirilmesi ve dönüştürülmesi sürecini göstermektedir. Ardından fotoğraf ve videolarda nesne tespiti yapma işlemleri, "count" bayrağı kullanılarak toplam nesne sayısının hesaplanması anlatılmaktadır. İkinci bölümde ise Tiny YOLO modeli için ağırlıkların kullanımı, custom class dosyasının oluşturulması ve config dosyasının düzenlenmesi gösterilmekte, ayrıca Tiny YOLO'nun işlemci üzerinde çalıştırılmasıyla FPS değerinin neredeyse on kat arttığı belirtilmektedir.. Eğitim, araç plakaları tespiti örneği üzerinden nesne sayma ve sınıflandırma işlemlerini detaylı şekilde ele almaktadır.
Bu video, bir eğitim içeriği olup, izleyicilere Raspberry Pi ve servo motor kullanarak nesne tespit ve hareket projesini adım adım göstermektedir.. Video, nesne tespit için OpenCV kütüphanesinin nasıl kullanılacağını anlatarak başlıyor. Önce kırmızı bir nesnenin HSV renk uzayında nasıl tespit edileceği, ardından bu nesnenin en büyük kısmının nasıl bulunacağı gösteriliyor. Daha sonra, tespit edilen nesnenin orta noktasının nasıl hesaplanacağı ve bu noktaya göre servo motorun nasıl hareket ettirileceği kodlanıyor. Video, projenin performansını artırmak için ekran çözünürlüğünü değiştirme gibi optimizasyon önerileriyle sonlanıyor.
Bu video, Batuhan (ITU Bilgisayar Mühendisliği 3. sınıf), Ensar Erdağ (Bahçeşehir Üniversitesi Yazılım Mühendisliği son sınıf, Vodafone stajyer), Hasan Özer (ITU Bilgisayar Mühendisliği 3. sınıf) ve Mehmet Ali (Yenitepe Üniversitesi Yazılım Geliştirme asistanı) tarafından sunulan bir proje sunumudur.. Sunum, ESCV 2020 Workshop'ı olan Robust Vision Challenge'a katılım sürecini anlatmaktadır. Grup, object detection kategorisinde dört farklı dataset kullanarak çalışmış ve Future Pramit Networks (FPN) modelini tercih etmiştir. Sunum, problem tanımı, literatür incelemesi, veri seti hazırlama, model seçimi ve eğitilme süreci aşamalarını kapsamaktadır.. Sunumda ayrıca karşılaşılan zorluklar (data organizasyonu, class dengesi, GPU sorunları) ve çözüm yolları ele alınmakta, modelin eğitilme süreci ve elde edilen sonuçlar hakkında bilgiler verilmektedir. Video, izleyicilerin fotoğraf yükleyerek modelin performansını test edebileceği bir demo ile sonlanmaktadır.
Bu video, bir eğitim içeriği olup, konuşmacı YOLOv5 object detection algoritması kullanarak custom verilerle model eğitimi yapma sürecini adım adım göstermektedir.. Video, üç ana aşamadan oluşmaktadır: verilerin hazırlanması ve etiketlenmesi, model eğitimi ve model analizi. Eğitimde Formula 1 yarışlarında kullanılan Ferrari, Mercedes, McLaren ve Red Bull takımlarının araçlarının tespit edilmesi için veriler kullanılmaktadır. Eğitim süreci, Level Image programı ile verilerin etiketlenmesi, verilerin train ve val klasörlerine ayrılması, YOLOv5 algoritmasının GitHub'dan indirilmesi ve eğitilmesi aşamalarını içermektedir.. Eğitimde ayrıca hiper parametrelerin nasıl değiştirileceği, overfitting problemiyle nasıl başa çıkılacağı anlatılmakta ve eğitilen modelin bir Formula 1 videosu üzerinde test edilmesi gösterilmektedir. TensorBoard ve Wandl gibi araçların model performansını takip etmek için nasıl kullanılacağı da videoda yer almaktadır.