در این مطلب، ویدئو دوربین ردیاب حیوانات خانگی Raspberry Pi با استفاده از Python، TensorFlow و Twilio با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:06:18
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,830 –> 00:00:21,740
[موسیقی]
2
00:00:21,740 –> 00:00:24,449
سلام به همه، این ویدیو در مورد یک
3
00:00:24,449 –> 00:00:26,550
ردیاب حیوانات خانگی با قدرت Raspberry Pi است
4
00:00:26,550 –> 00:00:28,140
که من ساختهام و پیامی برای من ارسال میکند و به من اطلاع میدهد
5
00:00:28,140 –> 00:00:29,820
که وقتی گربه یا سگم میخواهد
6
00:00:29,820 –> 00:00:32,279
از گربه من خارج شود، یک نوع ساکت است،
7
00:00:32,279 –> 00:00:33,780
بنابراین او پشت در میایستد. ساعت ها
8
00:00:33,780 –> 00:00:35,280
صبورانه منتظرم تا
9
00:00:35,280 –> 00:00:37,739
بدون میومیو به او اجازه بدهند، چون
10
00:00:37,739 –> 00:00:39,180
او به اندازه کافی خراب نشده است،
11
00:00:39,180 –> 00:00:41,010
من این ردیاب حیوان خانگی را درست کردم تا در را تماشا
12
00:00:41,010 –> 00:00:42,690
کند و وقتی می خواهد به
13
00:00:42,690 –> 00:00:44,640
آن سمت هدایت
14
00:00:44,640 –> 00:00:46,050
شود برایم پیامکی بفرستم.
15
00:00:46,050 –> 00:00:47,610
هر کاری که من انجام می دهم و به
16
00:00:47,610 –> 00:00:53,489
کمک او می شتابم، ردیاب حیوانات خانگی از
17
00:00:53,489 –> 00:00:55,410
مدل شبکه موبایل تنسورفلو برای تشخیص اشیا
18
00:00:55,410 –> 00:00:58,170
استفاده می کند و از api Twilio برای ارسال متن استفاده می کند، در
19
00:00:58,170 –> 00:01:00,359
این ویدیو توضیح خواهم داد که چگونه کار می کند تا
20
00:01:00,359 –> 00:01:01,710
بتوانید از مفاهیم در
21
00:01:01,710 –> 00:01:04,920
شیء خود استفاده کنید. برنامه های تشخیص ردیاب حیوان خانگی
22
00:01:04,920 –> 00:01:07,200
از Raspberry Pi با دوربین PI
23
00:01:07,200 –> 00:01:09,810
استفاده می کند که به درب اشاره می کند. من
24
00:01:09,810 –> 00:01:11,610
PI را برای اجرای تشخیص اشیاء tensorflow
25
00:01:11,610 –> 00:01:13,470
با دنبال کردن مراحل
26
00:01:13,470 –> 00:01:14,070
27
00:01:14,070 –> 00:01:15,810
تشخیص اشیاء tensorflow در فیلم آموزشی Raspberry Pi تنظیم کردم.
28
00:01:15,810 –> 00:01:18,840
ردیاب از
29
00:01:18,840 –> 00:01:21,090
مدل SSD شبکه تلفن همراه برای انجام
30
00:01:21,090 –> 00:01:23,220
تشخیص اشیا در فید ویدیویی دوربین PI زنده استفاده
31
00:01:23,220 –> 00:01:25,590
32
00:01:25,590 –> 00:01:27,840
33
00:01:27,840 –> 00:01:29,579
34
00:01:29,579 –> 00:01:31,470
35
00:01:31,470 –> 00:01:33,570
می کند. روی
36
00:01:33,570 –> 00:01:36,619
صفحه نمایش داده میشود و متنی به طور مشابه به تلفن من ارسال میشود،
37
00:01:36,619 –> 00:01:38,850
اگر حیوان خانگی در جعبه بیرونی شناسایی شود
38
00:01:38,850 –> 00:01:40,770
، برنامه پیامی ارسال میکند و
39
00:01:40,770 –> 00:01:44,250
به من اجازه میدهد حیوانم را یک بار در
40
00:01:44,250 –> 00:01:45,540
41
00:01:45,540 –> 00:01:47,520
داخل بدانم.
42
00:01:47,520 –> 00:01:49,470
اسکریپت Python ردیاب حیوانات خانگی را در github آپلود کرد و
43
00:01:49,470 –> 00:01:51,119
آن را در توضیحات ویدیوی زیر پیوند داد،
44
00:01:51,119 –> 00:01:53,250
اگر میخواهید دنبال کنید، میتوانید
45
00:01:53,250 –> 00:01:54,720
از کد به عنوان مثال برای کمک به ساخت
46
00:01:54,720 –> 00:01:57,140
برنامههای تشخیص شی خود استفاده کنید،
47
00:01:57,140 –> 00:01:59,909
ابتدا برنامه tensorflow را مقداردهی اولیه میکند
48
00:01:59,909 –> 00:02:01,829
و مدل شبکه موبایل را در آن بارگذاری میکند.
49
00:02:01,829 –> 00:02:04,340
حافظه سیستم
50
00:02:05,090 –> 00:02:08,179
سپس دوربین پای را مقداردهی اولیه می کند و
51
00:02:08,179 –> 00:02:10,008
شروع به گرفتن مداوم فریم ها می
52
00:02:10,008 –> 00:02:12,590
53
00:02:12,590 –> 00:02:14,269
54
00:02:14,269 –> 00:02:17,890
کند. کد تشخیص حیوان خانگی
55
00:02:18,790 –> 00:02:21,200
در داخل تابع آشکارساز حیوان خانگی،
56
00:02:21,200 –> 00:02:22,670
فریم به
57
00:02:22,670 –> 00:02:24,799
شبکه عصبی تنسورفلو منتقل می شود، شبکه
58
00:02:24,799 –> 00:02:26,420
اشیاء را در قاب شناسایی می کند و
59
00:02:26,420 –> 00:02:29,450
مکان آنها را در تصویر
60
00:02:29,450 –> 00:02:31,700
61
00:02:31,700 –> 00:02:34,030
62
00:02:34,030 –> 00:02:36,260
ترسیم می
63
00:02:36,260 –> 00:02:40,400
کند. boxes امتیاز در کلاس
64
00:02:40,400 –> 00:02:42,170
متغیر boxes شامل مختصات XY
65
00:02:42,170 –> 00:02:44,360
هر جعبه تشخیص است
66
00:02:44,360 –> 00:02:46,069
متغیر امتیاز شامل
67
00:02:46,069 –> 00:02:48,590
اطمینان تشخیص هر شی است متغیر کلاسها
68
00:02:48,590 –> 00:02:50,360
شامل شماره شناسه کلاس
69
00:02:50,360 –> 00:02:53,540
هر شی است، متغیر چهارم num نشان می دهد
70
00:02:53,540 –> 00:02:55,099
که چند شی در
71
00:02:55,099 –> 00:02:56,840
قاب حتی شناسایی شده است. اگر آنها نزدیک به صفر
72
00:02:56,840 –> 00:03:00,319
درصد اطمینان داشته باشند، همه متغیرها
73
00:03:00,319 –> 00:03:02,209
به ترتیب از بالاترین
74
00:03:02,209 –> 00:03:04,489
اطمینان
75
00:03:04,489 –> 00:03:06,230
تشخیص تا کمترین اطمینان ذخیره می
76
00:03:06,230 –> 00:03:07,849
شوند.
77
00:03:07,849 –> 00:03:10,160
78
00:03:10,160 –> 00:03:11,389
در لیستی
79
00:03:11,389 –> 00:03:15,769
که در شاخص صفر برای
80
00:03:15,769 –> 00:03:17,450
هر فریم ذخیره می شود