در این مطلب، ویدئو افزایش داده برای رفع بیش از حد برازش | آموزش عمیق 26 (Tensorflow، Keras و Python) 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: 00:31:32
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:01,839
اگر
2
00:00:01,839 –> 00:00:03,199
ویدیوی شبکه عصبی کانولوشنال
3
00:00:03,199 –> 00:00:05,920
من را تماشا کرده باشید، متوجه خواهید شد که cnn خارج از
4
00:00:05,920 –> 00:00:06,560
5
00:00:06,560 –> 00:00:10,559
جعبه مقیاس یا چرخش ثابت نیستند، به
6
00:00:10,559 –> 00:00:12,400
این معنی که فرض کنید میخواهید
7
00:00:12,400 –> 00:00:15,200
گل رز و لاله را طبقهبندی کنید
8
00:00:15,200 –> 00:00:18,000
و مجموعه آموزشی حاوی
9
00:00:18,000 –> 00:00:21,279
تصاویر واضح مناسب از این دو گل است.
10
00:00:21,279 –> 00:00:24,640
پس از آموزش cnn خود، هنگامی که
11
00:00:24,640 –> 00:00:27,599
تصویر چرخشی از یک گل رز را برای
12
00:00:27,599 –> 00:00:29,279
طبقه بندی ارائه
13
00:00:29,279 –> 00:00:32,399
می دهید، ممکن است cnn عملکرد بهتری نداشته باشد و برای
14
00:00:32,399 –> 00:00:34,559
حل این مشکل، از تکنیکی
15
00:00:34,559 –> 00:00:35,120
به نام
16
00:00:35,120 –> 00:00:38,960
افزایش داده ها در تقویت داده ها
17
00:00:38,960 –> 00:00:41,360
از نمونه های آموزشی موجود خود استفاده می
18
00:00:41,360 –> 00:00:43,120
کنیم، شما سعی می کنید نمونه های جدیدی تولید کنید به
19
00:00:43,120 –> 00:00:44,879
عنوان مثال i. عکسی از این
20
00:00:44,879 –> 00:00:46,879
گل در اینجا داشته باشید
21
00:00:46,879 –> 00:00:49,440
و مجموعه داده های اصلی من فقط
22
00:00:49,440 –> 00:00:51,360
شامل یک نوع
23
00:00:51,360 –> 00:00:54,879
تصویر گل مانند یک تصویر بدون چرخش واضح است،
24
00:00:54,879 –> 00:00:55,600
25
00:00:55,600 –> 00:00:58,160
کاری که می توانم انجام دهم این است که اکنون می توانم چندین
26
00:00:58,160 –> 00:01:00,960
تغییر مانند
27
00:01:00,960 –> 00:01:04,319
کنتراست مقیاس دهی چرخش افقی را اعمال کنم و می توانم
28
00:01:04,319 –> 00:01:06,240
نمونه های جدیدی تولید کنم. در این تصویر من
29
00:01:06,240 –> 00:01:09,600
از یک نمونه چهار نمونه جدید تولید کردم
30
00:01:09,600 –> 00:01:12,560
و این تکنیک در
31
00:01:12,560 –> 00:01:13,439
این ویدیو
32
00:01:13,439 –> 00:01:16,560
که یک flo انجام می دهیم بسیار موثر است. طبقهبندی wer
33
00:01:16,560 –> 00:01:19,520
با استفاده از cnn خواهیم دید که چگونه مدل
34
00:01:19,520 –> 00:01:20,960
بیش از حد دادهها را برازش میکند
35
00:01:20,960 –> 00:01:23,360
و چگونه میتوانیم از تقویت دادهها برای
36
00:01:23,360 –> 00:01:24,320
تولید
37
00:01:24,320 –> 00:01:27,360
نمونههای جدید و افزایش
38
00:01:27,360 –> 00:01:28,960
دقت مدل خود استفاده کنیم.
39
00:01:28,960 –> 00:01:32,000
من میخواهم از مجموعه داده گل تنسورفلو
40
00:01:32,000 –> 00:01:33,600
برای این ویدیو
41
00:01:33,600 –> 00:01:36,000
استفاده کنم و از uh استفاده کردهام. آموزش استاندارد
42
00:01:36,000 –> 00:01:37,759
43
00:01:37,759 –> 00:01:41,040
تنسورفلو از اینجا از وب سایت آنها اوه، اوه، اما
44
00:01:41,040 –> 00:01:41,439
45
00:01:41,439 –> 00:01:43,439
این کمی پیچیده بود، بنابراین من سعی کردم
46
00:01:43,439 –> 00:01:44,880
آن را ساده کنم،
47
00:01:44,880 –> 00:01:48,399
بنابراین در نوت بوک خود در اینجا ابتدا
48
00:01:48,399 –> 00:01:49,040
49
00:01:49,040 –> 00:01:51,600
تمام کتابخانه های مهم را وارد کردم که از pil استفاده می کنیم
50
00:01:51,600 –> 00:01:52,720
که یک
51
00:01:52,720 –> 00:01:55,920
کتابخانه تصویری در پایتون است، بسیار خوب، بنابراین
52
00:01:55,920 –> 00:01:57,280
اولین کاری که میخواهیم
53
00:01:57,280 –> 00:02:00,880
انجام دهیم این است که
54
00:02:00,880 –> 00:02:01,920
مجموعه دادههای گلها را
55
00:02:01,920 –> 00:02:05,119
از وبسایت google دانلود میکنیم، بنابراین وبسایت google
56
00:02:05,119 –> 00:02:05,520
دارای
57
00:02:05,520 –> 00:02:08,560
این فایل فشرده است که حاوی
58
00:02:08,560 –> 00:02:12,000
عکسهای گلهای مختلف است و
59
00:02:12,000 –> 00:02:16,000
tensorflow این
60
00:02:16,000 –> 00:02:19,200
تابع به نام فایل دریافت را دارد، بنابراین
61
00:02:19,200 –> 00:02:21,040
شما این فایل را دریافت میکنید. شما در اینجا یک
62
00:02:21,040 –> 00:02:22,080
url مجموعه داده را مشخص می
63
00:02:22,080 –> 00:02:24,879
کنید، این فایل را در
64
00:02:24,879 –> 00:02:27,360
پوشه ای به نام عکس های گل قرار می دهید
65
00:02:27,360 –> 00:02:29,599
و دایرکتوری کش دایرکتوری است
66
00:02:29,599 –> 00:02:30,480
که
67
00:02:30,480 –> 00:02:32,319
می خواهید این مجموعه داده را در آن ذخیره کنید. من می خواهم
68
00:02:32,319 –> 00:02:33,760
آن را در دایرکتوری فعلی خود ذخیره کنم
69
00:02:33,760 –> 00:02:36,480
، جایی که این
70
00:02:36,480 –> 00:02:37,680
نوت بوک
71
00:02:37,680 –> 00:02:41,280
را دارم، بنابراین
72
00:02:41,280 –> 00:02:43,760
اگر دایرکتوری دیگری می خواهید، می
73
00:02:43,760 –> 00:02:45,040
توانید کاری انجام دهید
74
00:02:45,040 –> 00:02:48,319
مانند دیدن هر داده ای
75
00:02:48,319 –> 00:02:51,200
از تصاویر من که می دانید، بنابراین فقط
76
00:02:51,200 –> 00:02:52,000
کل مسیری
77
00:02:52,000 –> 00:02:54,080
که من هستم را مشخص کنید. فقط از قسمت فعلی استفاده می کنم
78
00:02:54,080 –> 00:02:56,319
و تا زمانی که true به این معنی باشد که
79
00:02:56,319 –> 00:03:00,319
اوه این یک فایل فشرده است، پس خوب آن را از حالت فشرده خارج
80
00:03:00,319 –> 00:03:04,319
کنید و سپس این متغیر دایرکتوری داده را دریافت
81
00:03:04,319 –> 00:03:05,200
82
00:03:05,200 –> 00:03:07,920
83
00:03:09,280 –> 00:03:12,239
کنید، بنابراین برای شما مدتی طول می کشد که من
84
00:03:12,239 –> 00:03:14,080
قبلاً این تصاویر را دانلود
85
00:03:14,080 –> 00:03:14,720
86
00:03:14,720 –> 00:03:17,519
کرده بودم، به همین دلیل بسیار کار کرد برای من سریع است، بنابراین بیایید بررسی کنیم فهرست
87
00:03:17,519 –> 00:03:19,760
راهنمای داده ها به چه
88
00:03:19,760 –> 00:03:21,760
معناست خوب دایرکتوری داده در دایرکتوری فعلی من
89
00:03:21,760 –> 00:03:23,599
که
90
00:03:23,599 –> 00:03:26,400
نقطه است، اکنون یک پوشه مجموعه داده در
91
00:03:26,400 –> 00:03:27,120
پیش نویس
92
00:03:27,120 –> 00:03:29,360
خواهم داشت اگر عکس های گلی داشته
93
00:03:29,360 –> 00:03:31,040
باشم که شامل همه تصاویر من باشد، بنابراین بیایید
94
00:03:31,040 –> 00:03:33,440
آن پوشه را بررسی کنیم
95
00:03:33,440 –> 00:03:35,360
تا پوشه فعلی من اکنون دارای این
96
00:03:35,360 –> 00:03:37,280
پوشه مجموعه داده است،
97
00:03:37,280 –> 00:03:41,040
این فایل zip tz
98
00:03:41,040 –> 00:03:43,760
در اینجا موجود است و سپس من عکس گل خود را دارم،
99
00:03:43,760 –> 00:03:45,680
بنابراین اگر به عکس های گل خود نگاه
100
00:03:45,680 –> 00:03:47,040
101
00:03:47,040 –> 00:03:49,519
کنم، پنج نوع گل مختلف دارم، بنابراین
102
00:03:49,519 –> 00:03:51,599
این یک دای است. گل sy شما می توانید ببینید من
103
00:03:51,599 –> 00:03:52,239
فقط
104
00:03:52,239 –> 00:03:55,680
آن را بزرگتر می کنم می بینید عکس های مختلفی وجود دارد در
105
00:03:55,680 –> 00:03:58,640
واقع
106
00:03:58,640 –> 00:04:00,560
ببینید زنی وجود دارد که گل را
107
00:04:00,560 –> 00:04:01,840
دارد و
108
00:04:01,840 –> 00:04:04,000
مانند عکس های متنوعی است
109
00:04:04,000 –> 00:04:05,599
که شما می گیرید و به همین ترتیب
110
00:04:05,599 –> 00:04:09,280
گل های رز بسیار متفاوت دارید
111
00:04:09,280 –> 00:04:11,120
گل رز اگر به این تصاویر نگاه کنید
112
00:04:11,120 –> 00:04:14,239
می گوید 641 تصویر گل رز در کل
113
00:04:14,239 –> 00:04:18,560
خوب است و در کل این 250 مگابایت
114
00:04:18,560 –> 00:04:21,759
حدود 250 مگابایت است یا اجازه دهید
115
00:04:21,759 –> 00:04:25,360
بررسی کنم که حتی بیشتر است بله 220
116
00:04:25,360 –> 00:04:27,280
مگابایت مجموعه داده است، بنابراین مطمئن شوید که بعد از این ها
117
00:04:27,280 –> 00:04:30,000
فضای کافی روی هارد دیسک خود دارید.
118
00:04:30,000 –> 00:04:34,240
عکسها اکنون دانلود میشوند،
119
00:04:34,240 –> 00:04:36,800
من میخواهم این فهرست دادهها
120
00:04:36,800 –> 00:04:37,600
121
00:04:37,600 –> 00:04:40,639
را به لبه جدا تبدیل کنم، بنابراین یک مدل در
122
00:04:40,639 –> 00:04:42,800
پایتون به نام pathlib وجود دارد
123
00:04:42,800 –> 00:04:45,600
و این به ما امکان میدهد کارهای خاصی
124
00:04:45,600 –> 00:04:47,520
را به روشی سادهتر
125
00:04:47,520 –> 00:04:50,639
انجام دهیم زیرا همه این
126
00:04:50,639 –> 00:04:53,360
تصاویر گل را یکی یکی مرور میکنیم و آنها
127
00:04:53,360 –> 00:04:55,199
را در آرایه numpy بخوانید
128
00:04:55,199 –> 00:04:56,960
و برای آن این مسیر زنده مفید خواهد بود،
129
00:04:56,960 –> 00:04:58,800
بنابراین من به شما خواهم گفت که چگونه مفید خواهد بود،
130
00:04:58,800 –> 00:04:59,520
131
00:04:59,520 –> 00:05:02,160
بنابراین ابتدا این فهرست داده ها
132
00:05:02,160 –> 00:05:03,680
را به lib جدا تبدیل کردم،
133
00:05:03,680 –> 00:05:06,080
بنابراین اکنون به این شکل به نظر می رسد، بنابراین اساساً اینطور است
134
00:05:06,080 –> 00:05:06,960
135
00:05:06,960 –> 00:05:09,919
مسیر شما اما یک شی مسیر ویندوز است و
136
00:05:09,919 –> 00:05:12,160
زمانی که
137
00:05:12,160 –> 00:05:15,919
دارید میتوانید کارهایی مانند این انجام دهید، بنابراین میتوانید
138
00:05:15,919 –> 00:05:19,440
بگویید glob
139
00:05:19,440 –> 00:05:24,639
تمام تصاویری را که پسوند jpg دارد به من بدهید،
140
00:05:24,639 –> 00:05:27,759
بنابراین وقتی این کار را انجام دادید به صورت
141
00:05:27,759 –> 00:05:28,800
بازگشتی از
142
00:05:28,800 –> 00:05:31,440
تمام دایرکتوریها و زیر شاخهها عبور میکند و میدهد.
143
00:05:31,440 –> 00:05:32,960
شما یک لیست از
144
00:05:32,960 –> 00:05:36,000
همه این فایل های jpg را دارید، بنابراین
145
00:05:36,000 –> 00:05:37,440
در طول آموزش مدل به آن نیاز داریم
146
00:05:37,440 –> 00:05:40,000
، به همین دلیل است که آن را به یک مسیر lib تبدیل کردیم،
147
00:05:40,000 –> 00:05:41,520
148
00:05:41,520 –> 00:05:44,560
بنابراین اکنون اجازه دهید سریع این تصاویر
149
00:05:44,560 –> 00:05:45,919
را
150
00:05:45,919 –> 00:05:48,639
بشمارم تا همه این تصاویر را داشته باشم و اگر
151
00:05:48,639 –> 00:05:53,840
طول این تصاویر
152
00:05:54,880 –> 00:05:58,720
را انجام دادم ببینید من سه شش و هفت صفر دارم، بنابراین
153
00:05:58,720 –> 00:06:00,880
این مجموعه داده من است که
154
00:06:00,880 –> 00:06:04,000
تعداد کل تصاویر
155
00:06:04,000 –> 00:06:07,360
من است و اکنون فقط به گل رز نگاه می کنم، بنابراین اگر می
156
00:06:07,360 –> 00:06:08,080
157
00:06:08,080 –> 00:06:11,120
خواهید گل رز بگیرید، این
158
00:06:11,120 –> 00:06:13,039
تابع درخشش مفید است، فرض کنید
159
00:06:13,039 –> 00:06:14,720
می خواهید فقط تصاویر گل رز را دریافت
160
00:06:14,720 –> 00:06:16,720
کنید. فقط می توان گفت دایرکتوری داده ها نقطه
161
00:06:16,720 –> 00:06:17,759
گلوب
162
00:06:17,759 –> 00:06:21,120
رز ستاره بریده بریده و این
163
00:06:21,120 –> 00:06:22,720
لیستی از
164
00:06:22,720 –> 00:06:26,800
تمام تصاویر گل رز را به شما می دهد اکنون به سرعت
165
00:06:26,800 –> 00:06:30,560
اجازه دهید این تصاویر را با استفاده از مدل pil نشان دهیم،
166
00:06:30,560 –> 00:06:33,360
بنابراین pl یک
167
00:06:33,360 –> 00:06:34,880
کتابخانه
168
00:06:34,880 –> 00:06:37,440
بالش معروف از پایتون است که در هنگام
169
00:06:37,440 –> 00:06:39,039
کار در هفتم کد است اگر
170
00:06:39,039 –> 00:06:41,759
با خطای مشابه مدل در دسترس مواجه شدید
171
00:06:41,759 –> 00:06:43,440
فقط کاغذ را نصب کنید خوب است،
172
00:06:43,440 –> 00:06:46,840
فقط می توانید بگویید pip
173
00:06:46,840 –> 00:06:51,599
install pll pillow
174
00:06:51,599 –> 00:06:55,360
پس این یک کتابخانه بالش است
175
00:06:55,520 –> 00:06:56,960
و همان چیزی است که با هر ماژول دیگری
176
00:06:56,960 –> 00:06:58,720
، مثلاً اگر
177
00:06:58,720 –> 00:07:02,000
cv2 ندارید، می توانید بگویید pip
178
00:07:02,000 –> 00:07:06,319
install opencv
179
00:07:09,039 –> 00:07:10,400
بنابراین این دستوری است که شما اجرا می
180
00:07:10,400 –> 00:07:12,720
کنید pip install open cv python
181
00:07:12,720 –> 00:07:16,000
و opencv می گیرید اوکی
182
00:07:16,000 –> 00:07:19,680
پس اکنون این کاری است که
183
00:07:19,680 –> 00:07:22,800
برای نشان دادن یک تصویر با استفاده از pil انجام می دهید بنابراین می
184
00:07:22,800 –> 00:07:24,639
گویید pl dot image open
185
00:07:24,639 –> 00:07:28,000
str roses1 یا zero
186
00:07:28,000 –> 00:07:31,360
okay پس این است این
187
00:07:31,360 –> 00:07:36,080
تصویر صفر خاص را به من نشان میدهم، میتوانم یکی
188
00:07:36,080 –> 00:07:38,800
از آنها را انجام دهم تا همه این تصاویر را به من نشان دهد، اوه،
189
00:07:38,800 –> 00:07:40,639
شما همچنین میتوانید
190
00:07:40,639 –> 00:07:43,759
به سرعت طرح کنیم، اجازه دهید شاید لالهها را ترسیم کنیم،
191
00:07:43,759 –> 00:07:46,960
بنابراین لالهها را به این شکل ببینیم، بنابراین این
192
00:07:46,960 –> 00:07:48,240
شبیه تجسم دادههای سریع است
193
00:07:48,240 –> 00:07:52,000
تا
194
00:07:52,000 –> 00:07:54,639
شما بدانید که چه چیزی را کشف کنید. اکنون در مجموعه داده های خود داشته باشید،
195
00:07:54,639 –> 00:07:55,840
196
00:07:55,840 –> 00:07:59,120
من می خواهم
197
00:07:59,120 –> 00:08:02,160
نام کلاس ها را نیز ایجاد
198
00:08:02,160 –> 00:08:04,639
کنم، بنابراین کاری که انجام می دهم این است که یک
199
00:08:04,639 –> 00:08:06,319
فرهنگ لغت
200
00:08:06,319 –> 00:08:09,759
از گل های مختلف و تمام
201
00:08:09,759 –> 00:08:12,720
مسیرهای تصویر مرتبط با آن درست می سازم و
202
00:08:12,720 –> 00:08:14,000
این به من
203
00:08:14,000 –> 00:08:18,080
در طول فرآیند ساخت مدل کمک می کند. پس
204
00:08:18,080 –> 00:08:21,120
چی من این کار را انجام دادم این بود که به سادگی
205
00:08:21,120 –> 00:08:24,319
مانند این چیز خاص را مشاهده کردم که گل رز را
206
00:08:24,319 –> 00:08:27,520
دید، قبلاً دیدیم که تمام
207
00:08:27,520 –> 00:08:28,080
قسمت
208
00:08:28,080 –> 00:08:31,280
های تصاویر گل رز را به شما می دهد و شما می توانید همین کار را
209
00:08:31,280 –> 00:08:33,679
برای گل آفتابگردان قاصدک دیزی انجام دهید
210
00:08:33,679 –> 00:08:37,679
زیرا اگر به این مجموعه داده نگاه کنید
211
00:08:37,679 –> 00:08:39,679
ببینید این پنج نوع گل هستند.
212
00:08:39,679 –> 00:08:42,080
بنابراین من فقط آن پنج
213
00:08:42,080 –> 00:08:43,120
گل
214
00:08:43,120 –> 00:08:45,440
را در فرهنگ لغت خود کدگذاری کردم و فرهنگ لغت من
215
00:08:45,440 –> 00:08:47,040
اکنون
216
00:08:47,040 –> 00:08:50,160
همه تصاویر را دارد، مسیرهای تصویر
217
00:08:50,160 –> 00:08:54,480
درست است، بنابراین اگر من این کار را انجام دهم، فرض کنید اکنون
218
00:08:54,480 –> 00:08:57,519
گل رز، تمام
219
00:08:57,519 –> 00:09:00,320
مسیرهای فایل گل رز را خواهد داشت، دیزی تمام
220
00:09:00,320 –> 00:09:01,279
قسمت های فایل این موارد را خواهد داشت.
221
00:09:01,279 –> 00:09:03,920
این یک دیکشنری بسیار ساده است
222
00:09:03,920 –> 00:09:06,000
و من همچنین میخواهم یک فرهنگ لغت برچسبها داشته باشم،
223
00:09:06,000 –> 00:09:07,920
بنابراین فرهنگ لغت برچسبها اینگونه خواهد بود
224
00:09:07,920 –> 00:09:08,880
225
00:09:08,880 –> 00:09:12,160
، بنابراین من فقط
226
00:09:12,160 –> 00:09:14,800
یک شماره کلاس به هر یک از این گلها به
227
00:09:14,800 –> 00:09:16,720
طور تصادفی اختصاص میدهم،
228
00:09:16,720 –> 00:09:20,959
حالا کاری که میتوانیم انجام دهیم این است
229
00:09:20,959 –> 00:09:24,959
که میتوانیم از ماژول cv2 استفاده کنیم.
230
00:09:24,959 –> 00:09:28,399
اوه این فایل تصویری
231
00:09:28,399 –> 00:09:31,519
را در شی
232
00:09:31,519 –> 00:09:34,480
opencv بخوانید خوب است مانند یک آرایه numpy، بنابراین ماژول opencv
233
00:09:34,480 –> 00:09:35,120
234
00:09:35,120 –> 00:09:38,800
دارای این روش به نام imread است،
235
00:09:38,800 –> 00:09:41,440
بنابراین در اینجا شما مسیر فایل را ارائه می دهید و در
236
00:09:41,440 –> 00:09:43,519
عوض به شما آرایه numpy می
237
00:09:43,519 –> 00:09:44,080
دهد، بنابراین بیایید بگوییم
238
00:09:44,080 –> 00:09:48,160
من آن را img می نامم. خوب حالا مسیر من چیست
239
00:09:48,160 –> 00:09:51,519
خوب پس بیایید نقاشی
240
00:09:51,519 –> 00:09:54,959
کنیم بیایید اولین تصویر گل رز را بگیریم پس گل رز
241
00:09:54,959 –> 00:09:55,440
242
00:09:55,440 –> 00:09:58,640
صفر است خوب پس اجازه دهید
243
00:09:58,640 –> 00:10:04,480
اینجا کاری انجام دهم
244
00:10:04,480 –> 00:10:07,839
می بینید این مسیر فایل
245
00:10:07,839 –> 00:10:10,240
تصویر ردیف های اول است
246
00:10:10,240 –> 00:10:13,920
و اگر این کار را انجام دهم
247
00:10:13,920 –> 00:10:15,600
ببینید دارم می گیرم یک خطا زیرا به نظر می رسد
248
00:10:15,600 –> 00:10:19,360
که cb2 مسیر پنجره را
249
00:10:19,360 –> 00:10:22,959
به عنوان یک آرگومان قبول نمی کند، بنابراین
250
00:10:22,959 –> 00:10:26,000
اگر فقط آن را در str بپیچید،
251
00:10:26,000 –> 00:10:28,880
مسیر رشته واقعی را به شما می دهد
252
00:10:28,880 –> 00:10:29,600
و
253
00:10:29,600 –> 00:10:33,519
opencv انتظار آن مسیر رشته را دارید،
254
00:10:33,519 –> 00:10:36,640
بنابراین من این کار را انجام می دهم و در بازگشت
255
00:10:36,640 –> 00:10:38,959
چیزی که opencv دریافت می کنید
256
00:10:38,959 –> 00:10:42,399
. فقط تصویر را از روی دیسک بخوانید
257
00:10:42,399 –> 00:10:45,680
و به آرایه سه بعدی تبدیل
258
00:10:45,680 –> 00:10:50,640
کنید ببینید آیا شکل را
259
00:10:52,399 –> 00:10:54,880
سه بعدی می کنید، بنابراین این x این است y
260
00:10:54,880 –> 00:10:55,680
و
261
00:10:55,680 –> 00:10:59,440
سه برای کانال rgb است،
262
00:10:59,440 –> 00:11:02,959
اکنون opencv
263
00:11:02,959 –> 00:11:06,160
یک تابع به نام
264
00:11:06,160 –> 00:11:08,800
تغییر اندازه دارد، بنابراین می توانید تصویر را بگیرید و
265
00:11:08,800 –> 00:11:11,120
اندازه آن را تغییر دهید. تا اندازه ای استاندارد
266
00:11:11,120 –> 00:11:14,560
چون تصاویر ما در این پوشه
267
00:11:14,560 –> 00:11:17,760
ها ابعاد متفاوتی دارند، بنابراین اگر
268
00:11:17,760 –> 00:11:20,399
به این تصویر نگاه کنید این تصویر خاص
269
00:11:20,399 –> 00:11:24,480
320 در 232 است
270
00:11:24,480 –> 00:11:28,399
و اگر به این تصویر نگاه کنید این اندازه
271
00:11:28,399 –> 00:11:31,760
320 در 212 است،
272
00:11:31,760 –> 00:11:34,720
آنها کمی 320 تغییر می کنند. تا 240
273
00:11:34,720 –> 00:11:37,680
تا
274
00:11:37,680 –> 00:11:41,200
وقتی مدل خود را آموزش میدهیم
275
00:11:41,200 –> 00:11:44,320
، ابعاد یکسان نیست، میخواهیم ابعاد را برای
276
00:11:44,320 –> 00:11:46,959
همه تصاویر یکسان کنیم،
277
00:11:47,279 –> 00:11:50,720
بنابراین وقتی این کار را انجام میدهید، اندازه آن را تغییر میدهد
278
00:11:50,720 –> 00:11:51,279
،
279
00:11:51,279 –> 00:11:54,800
بنابراین حالا بیایید یک حلقه for اجرا
280
00:11:54,800 –> 00:11:55,120
کنیم
281
00:11:55,120 –> 00:11:59,519
و x و y خود را آماده کنیم، بنابراین من فقط میگویم
282
00:11:59,519 –> 00:12:04,079
x و y دو ناحیه خالی هستند، بنابراین اکنون ما در
283
00:12:04,079 –> 00:12:06,399
حال آماده سازی
284
00:12:06,399 –> 00:12:11,040
x و y و x strain و y و غیره خود هستیم،
285
00:12:11,040 –> 00:12:14,320
بیایید ابتدا همه تصاویر را تکرار
286
00:12:14,320 –> 00:12:15,519
287
00:12:15,519 –> 00:12:18,560
کنیم، بنابراین برای نام گل
288
00:12:18,560 –> 00:12:22,480
و تصاویر در
289
00:12:22,480 –> 00:12:28,000
دیکشنری تصاویر گل ها موارد نقطه را انجام می دهیم،
290
00:12:29,040 –> 00:12:34,090
پس چه این یک پایتون ساده
291
00:12:34,090 –> 00:12:36,839
[موسیقی] است
292
00:12:36,839 –> 00:12:38,880
293
00:12:38,880 –> 00:12:42,399
ببینید من فقط طولی را چاپ میکنم،
294
00:12:44,480 –> 00:12:46,320
بنابراین شما در حال تکرار هستید، فرض کنید
295
00:12:46,320 –> 00:12:48,800
گل رز شما 641 تصویر دارید، شما
296
00:12:48,800 –> 00:12:50,800
631 تصویر دارید و به همین ترتیب بسیار
297
00:12:50,800 –> 00:12:52,800
خوب، بنابراین این فرهنگ لغت است که ما در حال تکرار آن هستیم
298
00:12:52,800 –> 00:12:54,800
299
00:12:54,800 –> 00:12:58,240
و اکنون در اینجا
300
00:12:58,240 –> 00:13:00,399
من تمام تصاویر را مرور می کنم، بنابراین برای
301
00:13:00,399 –> 00:13:02,800
تصویر در تصاویر،
302
00:13:02,800 –> 00:13:06,240
بنابراین در اینجا در این مرحله من
303
00:13:06,240 –> 00:13:08,079
هر تصویر
304
00:13:08,079 –> 00:13:10,880
و آن تصویر را مطابق با Api که
305
00:13:10,880 –> 00:13:12,560
قبلاً دیدیم،
306
00:13:12,560 –> 00:13:18,079
خواهم داشت، بسیار خوب، من آن را مانند این cv2 dot می خوانم
307
00:13:18,240 –> 00:13:21,519
و باید دارای str برای تبدیل از
308
00:13:21,519 –> 00:13:25,839
مسیر لب به استرین معمولی g
309
00:13:28,160 –> 00:13:31,680
تصویر فعالیت های تصویر
310
00:13:31,680 –> 00:13:35,040
و سپس من می خواهم اندازه آن را تغییر دهم،
311
00:13:35,040 –> 00:13:39,680
بنابراین اگر اندازه آن را با استفاده از این روش در اینجا تغییر اندازه بدهم
312
00:13:39,680 –> 00:13:41,760
، اندازه تصویر را به درستی تغییر می دهم،
313
00:13:41,760 –> 00:13:44,560
بنابراین فقط می گویم اندازه
314
00:13:44,560 –> 00:13:48,079
تصویر را تغییر دهید چرا
315
00:13:48,079 –> 00:13:51,839
زمانی که مدل یادگیری ماشینی
316
00:13:51,839 –> 00:13:52,480
انتظار دارد
317
00:13:52,480 –> 00:13:54,880
همه نمونه های آموزشی اینگونه باشند، دوباره اندازه را تغییر می دهیم. همان
318
00:13:54,880 –> 00:13:56,240
بعد
319
00:13:56,240 –> 00:13:57,839
به همین دلیل است که ما
320
00:13:57,839 –> 00:13:59,600
در حال تغییر اندازه هستیم و سپس شما
321
00:13:59,600 –> 00:14:03,600
فقط x را اضافه کنید خوب
322
00:14:03,600 –> 00:14:07,120
و سپس y ضمیمه
323
00:14:07,839 –> 00:14:10,560
y باید یک عدد باشد، بنابراین چگونه می توانید عدد را بدست آورید،
324
00:14:10,560 –> 00:14:11,360
325
00:14:11,360 –> 00:14:15,760
بنابراین در اینجا نام گل گل رز است،
326
00:14:15,760 –> 00:14:18,560
بنابراین نام گل گل رز است. و برای گل رز، من
327
00:14:18,560 –> 00:14:19,760
328
00:14:19,760 –> 00:14:23,920
صفر را به عنوان یک عدد دارم، بنابراین اگر من
329
00:14:24,279 –> 00:14:27,360
برچسب
330
00:14:27,360 –> 00:14:31,519
گل ها را مشخص می کنم و سپس نام گل
331
00:14:31,519 –> 00:14:34,560
را انجام می دهم، شماره هر یک از
332
00:14:34,560 –> 00:14:35,360
این گل ها
333
00:14:35,360 –> 00:14:38,000
را دریافت خواهم کرد و اگر می خواهید سریع آن را تأیید کنید،
334
00:14:38,000 –> 00:14:40,160
می
335
00:14:42,160 –> 00:14:44,320
بینید که مانند چند تصویر اول به آن نگاه کنید.
336
00:14:44,320 –> 00:14:47,519
گل هستند بنابراین تمام
337
00:14:47,519 –> 00:14:52,560
صفرها را اینجا می بینید و اگر به x نگاه
338
00:14:52,720 –> 00:14:55,760
کنید یک آرایه سه بعدی ساده است
339
00:14:55,760 –> 00:14:57,680
که چرا بعد چاه سه
340
00:14:57,680 –> 00:14:59,680
بعدی برای x دوم برای y
341
00:14:59,680 –> 00:15:02,480
و سوم برای کانال rgb است، شما rgb را می شناسید
342
00:15:02,480 –> 00:15:03,519
343
00:15:03,519 –> 00:15:06,560
بنابراین ما اکنون سه کانال
344
00:15:06,560 –> 00:15:10,160
داریم راحتی من فقط
345
00:15:10,160 –> 00:15:13,680
این را به آرایه numpy ساده تبدیل می کنم
346
00:15:13,680 –> 00:15:16,880
زیرا بعداً مفید خواهد بود،
347
00:15:16,880 –> 00:15:19,360
بنابراین چیز مهمی نیست، یک لیست ساده پایتون ساده بود،
348
00:15:19,360 –> 00:15:21,920
349
00:15:21,920 –> 00:15:24,959
350
00:15:25,519 –> 00:15:28,639
پس از انجام این کار، آن را به یک آرایه numpy تبدیل کردم، مرحله معمول ما انجام
351
00:15:28,639 –> 00:15:30,320
یک تقسیم آزمایشی قطار
352
00:15:30,320 –> 00:15:34,240
است. m در حال انجام تست قطار در اینجا
353
00:15:34,399 –> 00:15:38,160
و اگر به طول کرنش x من نگاه کنید،
354
00:15:38,160 –> 00:15:41,839
355
00:15:43,279 –> 00:15:46,480
این دو مثال هفت پی دو دارد
356
00:15:46,480 –> 00:15:50,240
و طول تست x
357
00:15:50,240 –> 00:15:53,680
این مقدار را دارد، بنابراین تقسیم پیشفرض
358
00:15:53,680 –> 00:15:58,320
اگر به مستندات نگاه کنید
359
00:15:58,320 –> 00:16:01,920
مانند من فکر میکنم 25.75
360
00:16:01,920 –> 00:16:05,680
خوب است. اگر
361
00:16:05,680 –> 00:16:07,040
میخواهید
362
00:16:07,040 –> 00:16:09,120
توزیع متفاوتی از
363
00:16:09,120 –> 00:16:10,079
سلیقه و
364
00:16:10,079 –> 00:16:13,279
مجموعههای آموزشی خود داشته باشید، اکنون
365
00:16:13,279