در این مطلب، ویدئو شناسایی شی YOLO با استفاده از Opencv با پایتون 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: 00:36:56
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,530 –> 00:00:12,670
[موسیقی]
2
00:00:12,670 –> 00:00:15,139
سلام و به این آموزش ویدیویی جدید
3
00:00:15,139 –> 00:00:16,880
که قرار است امروز ببینیم، خوش آمدید،
4
00:00:16,880 –> 00:00:19,970
اما ابتدا
5
00:00:19,970 –> 00:00:22,820
Yolo Yolo یک الگوریتم تشخیص اشیاء یادگیری عمیق
6
00:00:22,820 –> 00:00:25,220
است که در
7
00:00:25,220 –> 00:00:26,900
می 2016 منتشر شد
8
00:00:26,900 –> 00:00:30,650
و بسیار محبوب است زیرا
9
00:00:30,650 –> 00:00:32,540
در مقایسه با آن بسیار سریع است. با
10
00:00:32,540 –> 00:00:35,660
الگوریتم های دیگر تفاوت این است که
11
00:00:35,660 –> 00:00:38,480
Yolo می تواند اشیاء را تنها در یک پاس تشخیص دهد در
12
00:00:38,480 –> 00:00:41,350
حالی که الگوریتم های دیگر
13
00:00:41,350 –> 00:00:49,280
نیاز به اسکن تصاویر را چندین بار دارند، اما
14
00:00:49,280 –> 00:00:53,030
کار شما چگونه است و چگونه زرد را تنظیم کنید،
15
00:00:53,030 –> 00:00:56,150
اجازه دهید این یکی را به سرعت توضیح دهیم
16
00:00:56,150 –> 00:00:58,940
زیرا ممکن است مقداری وجود داشته باشد. سردرگمی
17
00:00:58,940 –> 00:01:01,550
سردرگمی برای آنچه در انجمنها میبینم
18
00:01:01,550 –> 00:01:05,810
و برای چه تجربهای که خودم دارم، بنابراین
19
00:01:05,810 –> 00:01:08,150
Yolo الگوریتم است و الگوریتم یادگیری عمیق
20
00:01:08,150 –> 00:01:11,200
و الگوریتم برای کار
21
00:01:11,200 –> 00:01:16,610
به یک چارچوب نیاز دارد Yolo در سال 2016 منتشر شد،
22
00:01:16,610 –> 00:01:20,240
ما چارچوب تاریکنت را که
23
00:01:20,240 –> 00:01:23,750
برای Yolo ساخته شده بود میبافیم، بنابراین ما داریم دارک نت ساخته شده
24
00:01:23,750 –> 00:01:28,120
برای Yolo که بعد از دارک نت فقط روی لینوکس کار می کند
25
00:01:28,120 –> 00:01:31,730
،
26
00:01:31,730 –> 00:01:34,850
اقتباسی از این الگوریتم برای کار
27
00:01:34,850 –> 00:01:36,470
با tensorflow نیز ارائه شد
28
00:01:36,470 –> 00:01:40,600
که یکی دیگر از چارچوب های یادگیری عمیق است.
29
00:01:40,600 –> 00:01:43,790
با جریان تاریک می توانید از Yolo با تنسورفلو استفاده کنید
30
00:01:43,790 –> 00:01:44,630
31
00:01:44,630 –> 00:01:49,790
و بنابراین روی لینوکس ویندوز و مک
32
00:01:49,790 –> 00:01:54,229
نیز کار می کند، بنابراین از یک طرف دارای تاریک نت
33
00:01:54,229 –> 00:01:58,150
در طرف دیگر ما دارای جریان تاریک به اضافه
34
00:01:58,150 –> 00:01:59,330
tensorflow هستیم
35
00:01:59,330 –> 00:02:03,770
که باید با هم کار کنند، اما در
36
00:02:03,770 –> 00:02:08,209
این مورد نیز اخیراً وجود دارد. صحنه ها OpenCV 3.2 OpenCV
37
00:02:08,209 –> 00:02:12,340
فریمورک مخصوص به خود را دارد که
38
00:02:12,340 –> 00:02:16,519
با رنگ زرد سازگار است و این همان چیزی است
39
00:02:16,519 –> 00:02:17,930
که امروز قرار است ببینیم.
40
00:02:17,930 –> 00:02:19,080
41
00:02:19,080 –> 00:02:24,940
42
00:02:24,940 –> 00:02:28,570
43
00:02:28,570 –> 00:02:31,710
برای انجام
44
00:02:31,710 –> 00:02:38,130
تشخیص so2 فقط با استفاده از CV باز، ابتدا
45
00:02:41,370 –> 00:02:45,499
[Music] را شروع می
46
00:02:47,250 –> 00:02:50,610
کنیم، ابتدا باید سه فایل
47
00:02:50,610 –> 00:02:51,970
Yolo
48
00:02:51,970 –> 00:02:57,600
v3 CFG Yolo v3 را با نام های سفید و کاکائویی دانلود کنیم،
49
00:02:57,600 –> 00:03:00,670
بنابراین این نسخه Yola 3 است، به همین دلیل
50
00:03:00,670 –> 00:03:04,900
p 3 و c FG g فایل پیکربندی است.
51
00:03:04,900 –> 00:03:07,600
در حالی که روشی که مدل روند برای
52
00:03:07,600 –> 00:03:11,050
تشخیص اشیاء است و کاکائو
53
00:03:11,050 –> 00:03:14,170
مجموعه داده است، بنابراین ما شیء
54
00:03:14,170 –> 00:03:16,540
موجود در این مجموعه داده ها را تشخیص می دهیم، بنابراین بیایید
55
00:03:16,540 –> 00:03:21,910
این فایل را برای مثال بررسی کنیم و این
56
00:03:21,910 –> 00:03:24,730
همه اشیایی است که می خواهیم در آن پیدا کنیم.
57
00:03:24,730 –> 00:03:28,150
تصویر با استفاده از e تشخیص uro بنابراین
58
00:03:28,150 –> 00:03:30,820
یک ماشین دوچرخه شخصی و غیره تا
59
00:03:30,820 –> 00:03:33,640
آخر ما 80 شی از
60
00:03:33,640 –> 00:03:36,519
مجموعه داده کاکائو داریم پس بعد از اینکه این سه
61
00:03:36,519 –> 00:03:38,410
فایل را داشتیم می توانید از
62
00:03:38,410 –> 00:03:41,140
لینکی که در فیلم آموزشی زیر قرار داده ام در
63
00:03:41,140 –> 00:03:44,830
جایی زیر در ویدیو دانلود کنید و می توانیم
64
00:03:44,830 –> 00:03:49,299
شروع به تایپ کدی که ما وارد می کنیم civet
65
00:03:49,299 –> 00:03:53,890
zoo را وارد می کنیم numpy را به عنوان MP وارد می کنیم و برای
66
00:03:53,890 –> 00:03:58,290
واردات کتابخانه تمام چیزی است که شما نیاز دارید و
67
00:03:58,290 –> 00:04:09,930
بیایید الگوریتم Yolo
68
00:04:10,330 –> 00:04:13,420
را بارگذاری کنیم، بنابراین باید شبکه را بارگیری کنیم که می گوییم
69
00:04:13,420 –> 00:04:16,988
net برابر است با C با CDN که مخفف عبارت است
70
00:04:16,988 –> 00:04:19,510
شبکه عصبی عمیق و سپس
71
00:04:19,510 –> 00:04:23,500
اینجا نت را بخوانید، باید از فایلی که دانلود کرده ایم استفاده کنیم
72
00:04:23,500 –> 00:04:27,310
تا همه شما مدیون
73
00:04:27,310 –> 00:04:35,280
وزن های v3 نقطه و سپس قانون شما v3 نقطه C F G هستیم
74
00:04:35,280 –> 00:04:38,590
و وقتی این را داشتیم باید
75
00:04:38,590 –> 00:04:40,690
کلاس ها را از فایل بارگذاری کنیم تا کلاس
76
00:04:40,690 –> 00:04:43,270
ها به نظر چیزی شبیه به این کلاس ها
77
00:04:43,270 –> 00:04:50,080
برابر است با و سپس از فایل،
78
00:04:50,080 –> 00:04:56,670
این شخص را از ماشین دوچرخه می گیریم، بنابراین ماشین دوچرخه سوم شخص
79
00:04:56,670 –> 00:05:00,790
و غیره، بنابراین بیایید به سادگی
80
00:05:00,790 –> 00:05:03,130
به آنها در آرایه نیاز داریم، اما آنها را
81
00:05:03,130 –> 00:05:08,140
از فایل کوکا بارگذاری می کنیم، بنابراین این کار را به این صورت انجام می دهیم.
82
00:05:08,140 –> 00:05:18,790
باز می کنیم و سپس C نام نقطه های oco
83
00:05:18,790 –> 00:05:22,690
خواندنی است و سپس به عنوان F بنابراین کلاس ها
84
00:05:22,690 –> 00:05:25,960
برابر می شوند که ما نوار نقطه خط ریلی
85
00:05:25,960 –> 00:05:31,720
را برای خط در خطوط خواندن نقطه F باز می
86
00:05:31,720 –> 00:05:34,780
کنیم، بنابراین آنها را به سادگی در آرایه نوبتی قرار می دهیم
87
00:05:34,780 –> 00:05:37,720
و به شما نشان می دهیم که چگونه به نظر می رسد. من می
88
00:05:37,720 –> 00:05:42,669
خواهم آن را چاپ کنم، بنابراین کلاس های چاپی را
89
00:05:42,669 –> 00:05:47,800
اجرا می کنم و اسکریپت را اجرا می کنم، خالی است،
90
00:05:47,800 –> 00:05:50,980
بنابراین احتمالاً من چند کلاس کیک استیکر انجام دادم،
91
00:05:50,980 –> 00:05:54,820
این یک اشتباه تایپی بود، اجازه دهید
92
00:05:54,820 –> 00:05:58,390
دوباره آن را اجرا کنیم و همه کلاس های
93
00:05:58,390 –> 00:06:04,450
هشتاد کلاس را در این آرایه می بینید، خوب حالا
94
00:06:04,450 –> 00:06:10,090
اجازه دهید همچنان نگه داریم فقط با
95
00:06:10,090 –> 00:06:13,180
محاسبه شیء شبکه ای که ایجاد کردیم همچنان
96
00:06:13,180 –> 00:06:17,140
در رابطه با الگوریتم ها، بنابراین وقتی می
97
00:06:17,140 –> 00:06:21,280
دانید نام لایه ها را از شبکه تعریف کنید، نام لایه ها را
98
00:06:21,280 –> 00:06:23,740
دریافت می کنیم،
99
00:06:23,740 –> 00:06:29,320
سپس باید
100
00:06:29,320 –> 00:06:35,410
لایه های خروجی
101
00:06:35,410 –> 00:06:46,600
را دریافت کنیم. برای من در net dot قطع می
102
00:06:46,600 –> 00:06:55,870
شود و لایه ها و نام لایه ها خارج می شوند
103
00:06:55,870 –> 00:06:58,509
بیایید ببینیم من به نظر می رسد یک
104
00:06:58,509 –> 00:07:05,560
لایه اشتباه وجود دارد نام های شما خوب است این
105
00:07:05,560 –> 00:07:11,650
نام لایه ها است نه نام لایه ها خوب است به
106
00:07:11,650 –> 00:07:14,949
عبارت ساده آنچه ما در حال حاضر سعی داریم انجام
107
00:07:14,949 –> 00:07:17,259
دهیم این است که لایه های خروجی
108
00:07:17,259 –> 00:07:19,750
زیرا که این چیزی است که ما برای دریافت
109
00:07:19,750 –> 00:07:22,000
نتایج نهایی اشیاء نمایش داده شده
110
00:07:22,000 –> 00:07:24,250
روی صفحه نیاز داریم، بنابراین با لایه های خروجی
111
00:07:24,250 –> 00:07:28,960
می توانیم تشخیص شی را بدست آوریم
112
00:07:28,960 –> 00:07:38,620
، حالا به جلو برویم، خوب این تمام
113
00:07:38,620 –> 00:07:42,970
چیزی است که برای بارگذاری الگوریتم خود نیاز داریم، حالا
114
00:07:42,970 –> 00:07:45,669
بیایید بارگذاری کنیم تصویر و سپس
115
00:07:45,669 –> 00:07:48,479
عملیات را با تصویر انجام خواهیم داد
116
00:07:48,479 –> 00:07:54,220
ابتدا اجازه دهید کمی تصویر بگیرم، خوب من
117
00:07:54,220 –> 00:07:59,380
فقط یک تصویر را روی پوشه قرار دادم، بنابراین می خواهم همین
118
00:07:59,380 –> 00:08:02,220
الان تصویر
119
00:08:02,220 –> 00:08:09,930
بارگیری تصویر را بارگیری کنم، بنابراین mg برابر با 16 خواندن
120
00:08:09,930 –> 00:08:17,020
رم نقطه سوم است. jpg و بیایید
121
00:08:17,020 –> 00:08:21,690
این شهر تصویر را در تصویر نمایش و سپس
122
00:08:21,690 –> 00:08:25,889
EMG نمایش دهیم و سپس ببینیم که تمام پنجره ها را از بین می برد
123
00:08:25,889 –> 00:08:30,370
و من کلید وزن نقطه ای C را
124
00:08:30,370 –> 00:08:32,440
به آن کلید وزن فراموش کردم تا تصویر
125
00:08:32,440 –> 00:08:34,599
باز بماند و اکنون آن را روی
126
00:08:34,599 –> 00:08:36,810
صفحه نمایش می دهیم
127
00:08:38,259 –> 00:08:41,839
این تصویر دو است. bigs و ما تقریباً
128
00:08:41,839 –> 00:08:43,578
آن را روی صفحه نمیبینیم، میخواهم
129
00:08:43,578 –> 00:08:47,239
آن را کمی کوچک کنم تا mg شود،
130
00:08:47,239 –> 00:08:48,889
اندازه تصویر را
131
00:08:48,889 –> 00:08:54,889
تغییر میدهم ببینید اندازه آن را تغییر میدهم میخواهم آن را انجام دهم تغییر اندازه dmg نه
132
00:08:54,889 –> 00:08:57,499
نمیدهم اندازه خاص اما من می
133
00:08:57,499 –> 00:09:02,169
گویم 0.4 عرض و ارتفاع نیز
134
00:09:02,169 –> 00:09:09,109
0.4 و اجازه دهید اجرا کنیم این یکی خوب است،
135
00:09:09,109 –> 00:09:11,389
این همان اتاقی است که من در آن کار می کنم، بنابراین ما می
136
00:09:11,389 –> 00:09:13,069
خواهیم تا آنجا که
137
00:09:13,069 –> 00:09:18,709
ممکن است در این تصویر شیء را شناسایی کنیم، چیزی که باید
138
00:09:18,709 –> 00:09:22,339
بدانیم این است که نمی توانیم این
139
00:09:22,339 –> 00:09:26,269
تصویر را مستقیماً به الگوریتم بدهیم، اما
140
00:09:26,269 –> 00:09:29,689
باید عملیاتی را با آن انجام دهیم. قبل از
141
00:09:29,689 –> 00:09:33,230
دادن آن به الگوریتم، بنابراین باید
142
00:09:33,230 –> 00:09:36,889
آن را به یک حباب لکه تبدیل کنیم، راهی برای
143
00:09:36,889 –> 00:09:39,649
استخراج ویژگی ها از این تصویر است و
144
00:09:39,649 –> 00:09:44,689
بیایید این عملیات را در اینجا انجام دهیم، اجازه دهید
145
00:09:44,689 –> 00:09:49,850
آن را تشخیص اشیاء بنامیم، بنابراین ابتدا باید
146
00:09:49,850 –> 00:09:52,100
حباب را از حباب تصویر دریافت کنیم. برابر است
147
00:09:52,100 –> 00:09:57,679
با C تا D و n حباب نقطه از
148
00:09:57,679 –> 00:10:02,679
تصویر و میخواهیم یک بلوک از
149
00:10:02,679 –> 00:10:07,459
EMG دریافت کنیم، سپس فاکتور مقیاس که من متوجه شدم
150
00:10:07,459 –> 00:10:13,339
که از این یک سه نه استفاده شده است،
151
00:10:13,339 –> 00:10:20,629
بنابراین باید اندازهها را با
152
00:10:20,629 –> 00:10:25,100
اندازه استاندارد آن 416 تعریف کنیم. 416 این همان
153
00:10:25,100 –> 00:10:27,619
تصویر است که ما آن را به
154
00:10:27,619 –> 00:10:31,189
الگوریتم یورو منتقل می کنیم و فعلاً اجازه دهید
155
00:10:31,189 –> 00:10:33,139
این اندازه را رها کنیم و بعداً می توانیم
156
00:10:33,139 –> 00:10:38,179
گزینه های دیگر را بررسی کنیم و این موارد فنی
157
00:10:38,179 –> 00:10:40,429
در رابطه با میانگین تفریق از
158
00:10:40,429 –> 00:10:45,910
هر لایه صفر صفر صفر
159
00:10:46,800 –> 00:10:51,430
درست است در اینجا در این ما به سا y
160
00:10:51,430 –> 00:10:55,510
که ما رنگ آبی را با قرمز معکوس می کنیم
161
00:10:55,510 –> 00:11:00,430
زیرا OpenCV با فرمت BGR کار می کند
162
00:11:00,430 –> 00:11:02,950
بنابراین هر تصویر دارای سه کانال آبی
163
00:11:02,950 –> 00:11:06,190
سبز و قرمز است در حالی که به طور معمول باید
164
00:11:06,190 –> 00:11:09,340
از قرمز سبز و آبی استفاده کنیم بنابراین
165
00:11:09,340 –> 00:11:13,120
با همان درستی که می خواهیم پیش برویم.
166
00:11:13,120 –> 00:11:18,060
کانال را عوض کنید و سپس عجله کنید
167
00:11:18,060 –> 00:11:21,400
مساوی است با false ما قصد
168
00:11:21,400 –> 00:11:22,990
نداریم تصویر را برش دهیم ما می خواهیم
169
00:11:22,990 –> 00:11:27,430
همه چیز را در تصویر تشخیص دهیم و این همان
170
00:11:27,430 –> 00:11:32,770
لکه است اجازه دهید سریع نشان دهم که چه چیزی در
171
00:11:32,770 –> 00:11:38,790
داخل بلوک است حباب تا کنون در حباب باشد
172
00:11:38,790 –> 00:11:48,490
سپس برای EMG در B باید این کار را انجام دهید،
173
00:11:48,490 –> 00:11:51,190
من فقط به این می روم تا به شما نشان دهم
174
00:11:51,190 –> 00:11:54,030
چه چیزی در داخل است،
175
00:11:54,120 –> 00:12:01,330
بیایید نشان دهیم که من یک میلی گرم را
176
00:12:01,330 –> 00:12:05,110
با ما نیز از دست داده ام، بنابراین
177
00:12:05,110 –> 00:12:13,630
استفاده از mg LS AMG blob چیز خوبی نیست و من هستم
178
00:12:13,630 –> 00:12:20,620
مطمئن شوید در G در enumerate به طوری که من می
179
00:12:20,620 –> 00:12:23,370
توانم به هر پنجره یک
180
00:12:23,370 –> 00:12:29,380
نام متفاوت و یک حباب mg در اینجا یک
181
00:12:29,380 –> 00:12:33,190
رشته از n بدهم تا بتوانم این
182
00:12:33,190 –> 00:12:36,660
پنجره های بیشتری را که روی صفحه ظاهر می شود نشان دهم،
183
00:12:38,730 –> 00:12:41,350
خوب، این تصویر اصلی است و
184
00:12:41,350 –> 00:12:44,230
بیایید یک لحظه این یکی را نشان ندهیم،
185
00:12:44,230 –> 00:12:53,410
سپس ما 2 1 و 3 داریم و نه
186
00:12:53,410 –> 00:12:56,290
اینطور نیست. هنوز تصویر اصلی است بنابراین
187
00:12:56,290 –> 00:12:58,750
اشتباه من منظورم این است که باید mg blob را
188
00:12:58,750 –> 00:12:59,350
در اینجا نشان
189
00:12:59,350 –> 00:13:05,320
دهم.
190
00:13:05,320 –> 00:13:07,600
191
00:13:07,600 –> 00:13:11,320
192
00:13:11,320 –> 00:13:13,750
193
00:13:13,750 –> 00:13:17,050
حباب برای قرمز برای سبز و
194
00:13:17,050 –> 00:13:19,090
برای آبی تفاوت چندانی نمی بینید
195
00:13:19,090 –> 00:13:21,850
زیرا رنگ ها در این تصویر متعادل هستند
196
00:13:21,850 –> 00:13:24,270
اما با تصاویر متفاوتی که می توانید
197
00:13:24,270 –> 00:13:26,590
ببینید ممکن است بتوانید ببینید که آنها
198
00:13:26,590 –> 00:13:29,410
متفاوت هستند خوب ما لکه را داریم بنابراین
199
00:13:29,410 –> 00:13:32,080
اکنون تصویر آماده است تا توسط
200
00:13:32,080 –> 00:13:39,610
الگوریتم زرد پردازش شود، پس بیایید این کار را انجام دهیم
201
00:13:39,610 –> 00:13:45,280
که باید این تصویر حباب را به
202
00:13:45,280 –> 00:13:48,940
الگوریتم وارد شبکه کنیم، بنابراین می گوییم
203
00:13:48,940 –> 00:13:55,450
ورودی مجموعه نقطه خالص و سپس داخل لکه را تنظیم می کنیم
204
00:13:55,450 –> 00:14:00,580
و اکنون می توانیم خروجی را خارج کنیم. برابر است
205
00:14:00,580 –> 00:14:09,660
با لایههای خروجی خروجی به جلو نقطه خالص
206
00:14:09,660 –> 00:14:20,250
و این یکی از لایههای قرار داده خارج میشود،
207
00:14:20,250 –> 00:14:23,080
بنابراین با این تابع
208
00:14:23,080 –> 00:14:25,090
به جلو میگوییم که میخواهیم
209
00:14:25,090 –> 00:14:28,000
این را تا انتها و به لایه خروجی فوروارد کنیم تا
210
00:14:28,000 –> 00:14:31,740
نتیجه نهایی را بگیریم و
211
00:14:31,740 –> 00:14:36,010
سریعا چاپ کنیم. بیرون بیایید
212
00:14:36,010 –> 00:14:41,470
اسکریپت را خوب اجرا کنیم آنچه می توانم در حال حاضر بگویم این است
213
00:14:41,470 –> 00:14:44,590
که این خروجی حاوی تمام
214
00:14:44,590 –> 00:14:47,260
اطلاعاتی است که قبلاً شی
215
00:14:47,260 –> 00:14:52,810
روی صفحه شناسایی شده است فقط یک
216
00:14:52,810 –> 00:14:55,210
چیز ساده ما تمام اطلاعاتی را که
217
00:14:55,210 –> 00:14:57,310
برای استخراج آنها نیاز داریم در اختیار داریم، بنابراین باید به
218
00:14:57,310 –> 00:15:00,460
عنوان مثال دستور استخراج
219
00:15:00,460 –> 00:15:03,850
مستطیل را بدهیم. ابتدا
220
00:15:03,850 –> 00:15:05,140
موقعیت مستطیل را در اختیار داشته باشید، فرض کنید اگر
221
00:15:05,140 –> 00:15:08,290
صندلی را شناسایی کردیم، نقطه بالا سمت چپ مستطیل را استخراج می کنیم،
222
00:15:08,290 –> 00:15:10,780
223
00:15:10,780 –> 00:15:14,290
حاشیه پایین سمت چپ، سمت
224
00:15:14,290 –> 00:15:16,900
راست، نام خوب است، این یک صندلی است، بنابراین
225
00:15:16,900 –> 00:15:23,830
نام کلاس و
226
00:15:23,830 –> 00:15:27,490
اطلاعات کمی دیگر ما این کار را انجام دادیم، یکی یکی خواهیم دید،
227
00:15:27,490 –> 00:15:37,060
پس بیایید جلوتر برویم و بیایید
228
00:15:37,060 –> 00:15:41,620
از طریق این اشیاء
229
00:15:41,620 –> 00:15:45,790
که تمام اطلاعات مورد نیاز ما را دارد،
230
00:15:45,790 –> 00:15:53,230
مثلاً اطلاعاتی را روی صفحه نمایش نشان میدهد،
231
00:15:53,230 –> 00:15:57,010
بررسی کنیم
232
00:15:57,010 –> 00:16:02,170
و سپس دوباره به بیرون حلقه بزنیم. برای
233
00:16:02,170 –> 00:16:07,090
بخش خارج اکنون از این باید
234
00:16:07,090 –> 00:16:13,750
اطمینان را تشخیص دهیم بنابراین اطمینان به این معنی
235
00:16:13,750 –> 00:16:16,089
است که الگوریتم چقدر مطمئن است که
236
00:16:16,089 –> 00:16:19,690
تشخیص درست بوده است، به عنوان مثال می تواند
237
00:16:19,690 –> 00:16:24,970
بگوید این یک جدول است اما من یک من
238
00:16:24,970 –> 00:16:27,100
مطمئن نیستم که اعتماد به نفس پایینی داریم
239
00:16:27,100 –> 00:16:29,320
یا این یک جدول است و من مطمئن هستم
240
00:16:29,320 –> 00:16:32,370
که یک جدول است بنابراین 100 درصد اطمینان دارم،
241
00:16:32,370 –> 00:16:37,210
بنابراین اطمینان را در سه
242
00:16:37,210 –> 00:16:40,450
مرحله تشخیص خواهیم داد که ابتدا باید امتیازات را بدست
243
00:16:40,450 –> 00:16:43,330
آوریم با تشخیص و از تشخیصی
244
00:16:43,330 –> 00:16:49,480
که باید این مقدار را بدست آوریم، بنابراین
245
00:16:49,480 –> 00:16:55,720
این شاخص را از امتیازی که میگیریم پاس میکنیم،
246
00:16:55,720 –> 00:17:02,490
کلاس ID کلاس نمرههای تاریک Heidi MP
247
00:17:02,490 –> 00:17:07,270
را میگیرد و شناسه کلاس عددی خواهد بود
248
00:17:07,270 –> 00:17:11,310
که با کلاسها مرتبط است و
249
00:17:11,310 –> 00:17:15,180
به ما میگوید که آن
250
00:17:15,180 –> 00:17:20,800
شناسه یک کلاس چیست و سپس در نهایت اطمینان
251
00:17:20,800 –> 00:17:22,890
برابر با امتیاز است
252
00:17:22,890 –> 00:17:29,400
و سپس شناسه کلاس خوب است، اکنون می توانیم
253
00:17:29,400 –> 00:17:31,470
با اطمینان کار کنیم اگر
254
00:17:31,470 –> 00:17:37,610
اطمینان از 0.5 بیشتر باشد، بنابراین
255
00:17:37,610 –> 00:17:40,110
اطمینان در این مورد از 0
256
00:17:40,110 –> 00:17:44,250
به 1 خواهد رفت و بیایید همین الان با 0.5
257
00:17:44,250 –> 00:17:47,570
و بعداً تلاش کنیم. این مقد