PythonCV

⭐️⭐️⭐️استک اورفلو از هوش مصنوعی خودش با اسم Overflow AI رونمایی کرد کافیه شما سوال خودتون رو بپرسید و اون سعی میکنه با دیتا هایی که داره جواب سوال رو در اختیارتون بذاره و دیگه لازم نیست برای یه سوال هی از صفحه به صفحه دیگه برید. ⛔️لطفاً با اشتراک گذاری این پست حمایت کنید      کانال | گروه

هدف هدف از این پروژه، تشخیص تخلفات  راهنمایی و رانندگی به صورت اتوماتیک و تسهیل فرآیند نظارت ترافیک توسط اداره پلیس راهور  به منظور اقدام سریع و کارآمد در برابر رانندگان وسیله نقلیه متخلف می باشد. تشخیص و پیگیری دقیق وسیله نقلیه و فعالیت‌های آن اولویت اصلی سیستم است. این سیستم از دو مولفه اصلی تشکیل شده است: 1. مدل تشخیص وسایل نقلیه 2. یک رابط کاربری گرافیکی (GUI) در ابتدا، فیلم‌های ویدیویی از سمت جاده به سیستم ارسال می‌شوند. وسایل نقلیه از طریق این فیلم‌ها شناسایی می‌شوند. با رصد فعالیت وسایل نقلیه، سیستم تشخیص می‌دهد که آیا تخلفی رخ داده است یا خیر. شکل 1 نشان می‌دهد چگونه سیستم کار می‌کند. رابط کاربری گرافیکی (GUI) سیستم را برای کاربر تعاملی می‌کند. کاربر قادر است فیلم‌های ترافیک را نظارت کند و هشدار تخلف را همراه با جعبه محدودکننده وسیله نقلیه شناسایی شده دریافت کند. کاربر می‌تواند با استفاده از GUI اقدامات بیشتری انجام دهد. طبق فیلم‌های ویدیویی داده شده، اشیاءی که در حرکت هستند شناسایی می‌شوند. یک مدل تشخیص اشیا به نام YOLOv3 برای تصنیف این اشیاء در کلاس‌های مربوطه استفاده می‌شود. YOLOv3 سومین الگوریتم تشخیص اشیاء در خانواده YOLO (You Only Look Once) است. این الگوریتم با استفاده از ترفندهای مختلف دقت را افزایش داده و توانایی بیشتری در تشخیص اشیاء دارد. مدل طبقه‌بندی با ساختار Darknet-53 ساخته شده است. جدول-1 نشان می‌دهد که چگونه معماری شبکه عصبی طراحی شده است. برای راه اندازی سریع پروژه، مراحل زیر را دنبال کنید: 1. ابتدا پروژه را دانلود کنید. 2. در فایل‌های "Project-GUI.py" و "object_detection.py"، مسیرهای دایرکتوری‌ها را تغییر دهید. 3. اگر به "yolov3.weights" دسترسی ندارید، فایل را از این لینک دانلود کنید. 4. وابستگی‌های مورد نیاز پایتون را در محیط مجازی پایتون خود نصب کنید. 5. دستور زیر را در ترمینال اجرا کنید: python Project-GUI.py #python  #opencv  #computer-vision #tensorflow #tkinter  #object-detection #hacktoberfest #traffic-signal  #yolov3  #traffic-violation-detection

دوستان خوبم به پست آخر مراجعه بفرمایید بازنشر و لایک پست آخرا ینستاگرام ما بسیار میتونه به ما کمک کنه. 🕊 https://www.instagram.com/p/CvAfPYYLEgM/?igshid=MzRlODBiNWFlZA==

سامانه حضور و غیاب بر اساس تشخیص چهره با استفاده از پایتون و OpenCV مراحلی که باید دنبال کنید:     1. ریپازیتوری را در دستگاه خود دانلود یا کلون کنید.     2. در پنجره فرمان، دستور pip install -r requirements.txt را تایپ کنید (این دستور بسته‌های مورد نیاز پروژه را نصب می‌کند).     3. در پوشه پروژه، یک پوشه با نام "TrainingImage" ایجاد کنید.     4. فایل‌های attendance.py و automaticAttendance.py را باز کنید و تمام مسیرها را بر اساس سامانه خودتان تغییر دهید.     5. فایل attandance.py را اجرا کنید. توضیحات و جریان پروژه:     - پس از اجرای پروژه، باید چهره خود را ثبت کنید تا سامانه بتواند شما را شناسایی کند. بنابراین بر روی گزینه "ثبت دانشجوی جدید" کلیک کنید.     - پس از کلیک، یک پنجره کوچک ظاهر می‌شود که در آن باید شناسه و نام خود را وارد کنید و سپس بر روی دکمه "ثبت تصویر" کلیک کنید.     - پس از کلیک بر روی دکمه "ثبت تصویر"، یک پنجره دوربین ظاهر می‌شود و چهره شما را تشخیص می‌دهد و تا 50 تصویر از شما گرفته و در پوشه‌ای به نام "TrainingImage" ذخیره می‌کند. هر چه تعداد تصاویر بیشتر باشد، بهتر عملکرد سامانه در شناسایی چهره خواهد بود.     - سپس بر روی دکمه "آموزش تصویر" کلیک کنید. سامانه مدل را آموزش می‌دهد و تمام تصاویر را به شکل عددی تبدیل می‌کند تا کامپیوتر بتواند آن‌ها را درک کند. با آموزش تصویر، هر بار که یک چهره مشابه را به کامپیوتر نشان دهید، سامانه به سادگی آن چهره را شناسایی می‌کند.     - این فرآیند ممکن است مدتی طول بکشد (بستگی به سیستم شما دارد).     - پس از آموزش مدل، بر روی گزینه "حضور و غیاب خودکار" کلیک کنید، نام درس را وارد کنید و سامانه می‌تواند با استفاده از مدل آموزش داده شده، حضور و غیاب را با استفاده از چهره شما پر کند.     - برای هر درس می‌توانید یک فایل .csv ایجاد کنید و هر فایل .csv را بر اساس درس جداگانه مرتب کنید.     - می‌توانید پس از کلیک بر روی دکمه "مشاهده حضور و غیاب"، حضور و غیاب را در قالب جدول مشاهده کنید.

این مخزن داخل گیت هاب به نظرم خیلی جالب اومد برای کسایی که دنبال یادگیری ماشین لرنینگ هستند که خب همونطوری که میدونید بسیار پرطرفداره به خصوص توی دنیا بسیار محبوب هستش. البته همونطوری که گفتم بعضی از بخش ها رو به صورت تیتر وار توضیح داده که شاید در آینده تکمیل بشه. منبع ویدئو دیدن مسیر یادگیری : https://github.com/Avik-Jain/100-Days-Of-ML-Code کانال | گروه 𝐈𝐧𝐬𝐭𝐚𝐠𝐫𝐚𝐦 🕊

Python Deap Learning project handwritten digit recognizer پروژه دیپ لرنینگ شناسایی اعداد دست نویس #دیپ_لرنینگ

Real-time Hand Gesture Recognition using TensorFlow & OpenCV شناسایی حرکت دست در زمان با استفاده از TensorFlow و OpenCV #پروژه_دیپ_لرنینگ #هوش_مصنوعی

Road Lane line detection – Computer Vision Project in Python تشخیص خطوط لاین جاده 🛣 - پروژه بینایی ماشین در پایتون مشاهده سورس کد #پروژه_بینایی_ماشین