مشخصات کتاب

Hands-On ML Projects with OpenCV: Master Computer Vision and Machine Learning Using OpenCV and Python

ویرایش:  
نویسندگان: Mugesh S.,   
سری:  
ISBN (شابک) : 9789388590877 
ناشر: Orange Education PVT Ltd 
سال نشر: 2023 
تعداد صفحات: 463 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 Mb 

در صورت تبدیل فایل کتاب Hands-On ML Projects with OpenCV: Master Computer Vision and Machine Learning Using OpenCV and Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب پروژه های ML عملی با OpenCV: استاد بینایی کامپیوتر و یادگیری ماشین با استفاده از OpenCV و Python نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب پروژه های ML عملی با OpenCV: استاد بینایی کامپیوتر و یادگیری ماشین با استفاده از OpenCV و Python

با استفاده از بینایی کامپیوتر و یادگیری ماشین، در ساختن سیستم های هوشمند در بازی خود باشید. ویژگی های کلیدی ● دستورالعمل های گام به گام و قطعه کد برای پروژه های ML دنیای واقعی. ● طیف کاملی از اصول اولیه تا مفاهیم پیشرفته مانند یادگیری عمیق، یادگیری انتقال، و بهینه‌سازی مدل را پوشش می‌دهد. ● مملو از نکات عملی و بهترین شیوه‌ها برای اجرای یادگیری ماشین با OpenCV برای بهینه‌سازی گردش کار شما. توضیحات این کتاب راهنمای عمیقی است که تکنیک‌های یادگیری ماشین را با OpenCV، محبوب‌ترین کتابخانه بینایی کامپیوتر، با استفاده از پایتون ادغام می‌کند. این کتاب مفاهیم اساسی در یادگیری ماشین و بینایی کامپیوتر را معرفی می کند و به سمت اجرای عملی با OpenCV می رود. مفاهیم مربوط به پیش پردازش تصویر، تکنیک های کانتور و آستانه، تشخیص حرکت و ردیابی به صورت گام به گام با استفاده از کد و قطعه خروجی توضیح داده شده است. پروژه های عملی با مجموعه داده های دنیای واقعی تجربه ارزشمندی را در حل چالش های OpenCV با یادگیری ماشین به شما ارائه می دهند. این یک راهنمای نهایی برای کاوش در زمینه هایی مانند یادگیری عمیق، انتقال یادگیری، و بهینه سازی مدل است، و خوانندگان را برای مقابله با وظایف پیچیده توانمند می کند. هر فصل نکات و ترفندهای عملی را برای ساختن مدل های موثر ML ارائه می دهد. در پایان، شما می‌توانید مفاهیم ML را با اطمینان در مشکلات بینایی رایانه در دنیای واقعی به کار ببرید و می‌توانید مدل‌های یادگیری ماشینی قوی و دقیق را برای برنامه‌های کاربردی متنوع ایجاد کنید. چه در یادگیری ماشینی تازه کار باشید و چه به دنبال تقویت مهارت های بینایی کامپیوتر خود هستید، این کتاب منبع ارزشمندی برای تسلط بر ادغام یادگیری ماشین و بینایی کامپیوتر با استفاده از OpenCV و Python است. چه چیزی یاد خواهید گرفت ● نحوه کار با تصاویر و انجام وظایف اولیه پردازش تصویر را با استفاده از OpenCV بیاموزید. ● تکنیک های یادگیری ماشین را برای وظایف بینایی کامپیوتری مانند طبقه بندی تصویر، تشخیص اشیا و تقسیم بندی تصویر پیاده سازی کنید. ● روی پروژه‌ها و مجموعه داده‌های دنیای واقعی کار کنید تا تجربه عملی در استفاده از تکنیک‌های یادگیری ماشین با OpenCV به دست آورید. ● مفاهیم یادگیری عمیق با استفاده از Tensorflow و Keras و نحوه استفاده از آن برای وظایف بینایی کامپیوتر را بررسی کنید. ● مفهوم یادگیری انتقالی و چگونگی استفاده از مدل های از پیش آموزش دیده را برای کارهای جدید درک کنید. ● از تکنیک ها برای بهینه سازی مدل و استقرار در محیط های محدود به منابع استفاده کنید. ● راه حل های سرتاسری را اجرا کنید و چالش هایی را که در سناریوهای عملی با آن مواجه می شوید، حل کنید. این کتاب مال کیه؟ این کتاب برای همه کسانی است که درک اولیه ای از برنامه نویسی دارند و می خواهند از یادگیری ماشینی در بینایی کامپیوتر با استفاده از OpenCV و Python استفاده کنند. چه دانشجو باشید، چه محقق یا توسعه‌دهنده، این کتاب شما را به مهارت‌های عملی برای پروژه‌های یادگیری ماشین مجهز می‌کند. آشنایی با پایتون و مفاهیم یادگیری ماشین فرض شده است. مبتدیان نیز این کتاب را ارزشمند می یابند زیرا مثال ها و توضیحات واضحی را برای هر مفهوم ارائه می دهد. فهرست مطالب فصل 1: شروع به کار با OpenCV فصل 2: ​​تصویر پایه

توضیحاتی درمورد کتاب به خارجی

Be at your A game in building Intelligent systems by leveraging Computer vision and Machine Learning. KEY FEATURES ● Step-by-step instructions and code snippets for real world ML projects. ● Covers entire spectrum from basics to advanced concepts such as deep learning, transfer learning, and model optimization ● Loaded with practical tips and best practices for implementing machine learning with OpenCV for optimising your workflow. DESCRIPTION This book is an in-depth guide that merges machine learning techniques with OpenCV, the most popular computer vision library, using Python. The book introduces fundamental concepts in machine learning and computer vision, progressing to practical implementation with OpenCV. Concepts related to image preprocessing, contour and thresholding techniques, motion detection and tracking are explained in a step-by-step manner using code and output snippets. Hands-on projects with real-world datasets will offer you an invaluable experience in solving OpenCV challenges with machine learning. It’s an ultimate guide to explore areas like deep learning, transfer learning, and model optimization, empowering readers to tackle complex tasks. Every chapter offers practical tips and tricks to build effective ML models. By the end, you would have mastered and applied ML concepts confidently to real-world computer vision problems and will be able to develop robust and accurate machine-learning models for diverse applications. Whether you are new to machine learning or seeking to enhance your computer vision skills, This book is an invaluable resource for mastering the integration of machine learning and computer vision using OpenCV and Python. WHAT WILL YOU LEARN ● Learn how to work with images and perform basic image processing tasks using OpenCV. ● Implement machine learning techniques to computer vision tasks such as image classification, object detection, and image segmentation. ● Work on real-world projects and datasets to gain hands-on experience in applying machine learning techniques with OpenCV. ● Explore the concepts of deep learning using Tensorflow and Keras and how it can be used for computer vision tasks. ● Understand the concept of transfer learning and how pre-trained models can be leveraged for new tasks. ● Utilize techniques for model optimization and deployment in resource-constrained environments. ● Implement end-to-end solutions and address challenges encountered in practical scenarios. WHO IS THIS BOOK FOR? This book is for everyone with a basic understanding of programming and who wants to apply machine learning in computer vision using OpenCV and Python. Whether you\'re a student, researcher, or developer, this book will equip you with practical skills for machine learning projects. Some familiarity with Python and machine learning concepts is assumed. Beginners too will find this book valuable as it offers clear examples and explanations for every concept. TABLE OF CONTENTS Chapter 1: Getting Started With OpenCV Chapter 2: Basic Image & Video Analytics in OpenCV Chapter 3: Image Processing 1 using OpenCV Chapter 4: Image Processing 2 using OpenCV Chapter 5: Thresholding and Contour Techniques Using OpenCV Chapter 6: Detect Corners and Road Lane using OpenCV Chapter 7: Object And Motion Detection Using Opencv Chapter 8: Image Segmentation and Detecting Faces Using OpenCV Chapter 9: Introduction to Deep Learning with OpenCV Chapter 10: Advance Deep Learning Projects with OpenCV Chapter 11: Deployment of OpenCV projects

فهرست مطالب

Cover Page
Title Page
Copyright Page
Dedication Page
About the Author
Technical Reviewer
Acknowledgements
Preface
Errata
Table of Contents
1. Getting Started With OpenCV
   Introduction
   Structure
   Introduction to Computer Vision
   Introduction to OpenCV
   Benefits of Learning OpenCV
   OpenCV Real-time Applications in Computer Vision
   OpenCV Architecture and Explanation
   Features of OpenCV Library
   Python Code Editors for OpenCV
   Downloading and Installing OpenCV for Windows
   Downloading and Installing OpenCV for MacOS
   Google Colab for OpenCV
   Conclusion
   Points to Remember
   References
   Questions/MCQs
2. Basic Image and Video Analytics in OpenCV
   Introduction
   Structure
   Read, Write, and Show Images in OpenCV
   Covert Color in Images Using OpenCV
   Read, Write, and Show Videos from a Camera in OpenCV
   Covert color in Video Using OpenCV
   Draw Geometric Ahapes on Images Using OpenCV
   Setting Camera Parameters in OpenCV
   Show the Date and Time on Videos Using OpenCV
   Show Text on Videos Using OpenCV
   Basic Mouse Events Using OpenCV
   Conclusion
   Points to Remember
   References
3. Image Processing 1 Using OpenCV
   Introduction
   Structure
   Basic Image Processing Techniques
      Image wait function
      Image cropping
      Image resizing
      Image rotation
      Grayscaling
      Image split
      Merging image
      Adding two images
      Blend two images with different weights
      Region of interest (ROI)
      Background Removal
   Reshaping the Video Frame
   Pausing the Video Frame
   More Mouse Event Examples
      Extract the color of a pixel on the image using the mouse
      Extract the X, and Y values and pixel color on the image using the left and right mouse buttons, respectively
      Draw the rectangle and curve using the left-click button mouse
   Bitwise Operations
   Binding a Trackbar
   Image Trackbar
   Conclusion
   Points to Remember
   References
4. Image Processing 2 using OpenCV
   Introduction
   Structure
   Matplotlib with OpenCV
   Morphological Transformations Using OpenCV
   Smoothing and Blurring Images Using OpenCV
   Image Gradients Using OpenCV
   Image Pyramids with OpenCV
   Image Blending Using OpenCV
   Edge Detection Using OpenCV
   Sobel Operator Using OpenCV
   Laplacian of Gaussian (LoG) Filter Using OpenCV
   Canny Edge Detection Using OpenCV
   Conclusion
   Points to Remember
   References
5. Thresholding and Contour Techniques Using OpenCV
   Introduction
   Structure
   Image Thresholding using OpenCV
      Simple thresholding
      Adaptive thresholding
      Otsu’s thresholding
      Binary thresholding
      Inverted thresholding
   Finding and Drawing Contours with OpenCV
   Detecting Simple Geometric Shapes Using OpenCV
   Understanding Image Histograms Using OpenCV
   Template Matching Using OpenCV
   Hough Line Transform Theory in OpenCV
      Standard Hough line transform using OpenCV
   Probabilistic Hough Transform Using OpenCV
   Circle Detection Using OpenCV Hough Circle Transform
   Camera Calibration Using OpenCV
   Conclusion
   Points to Remember
   References
6. Detect Corners and Road Lane Using OpenCV
   Introduction
   Structure
   Road Lane Line Detection Using OpenCV
   Detecting Corners in OpenCV
   Types of Detect Corners in OpenCV
      Harris Corner Detector
      Shi Tomasi Corner Detector
      FAST corner detection
      Blob Detection
      Scale-invariant feature transform
   Feature Matching with FLANN
   Background Subtraction Methods in OpenCV
   Types of Background Subtraction Methods in OpenCV
      BackgroundSubtractorMOG2
      BackgroundSubtractorKNN
   Conclusion
   Points to Remember
   References
7. Object And Motion Detection Using Opencv
   Introduction
   Structure
   HSV Color Space
   Object Detection Using HSV Color Space
   Object Tracking Using HSV Color Space
   Motion Detection and Tracking Using OpenCV
   Mean Shift Object Tracking Using OpenCV
   Camshift Object Tracking Method Using OpenCV
   Augmented Reality in OpenCV
   Conclusion
   Points to Remember
   Questions
   References
8. Image Segmentation and Detecting Faces Using OpenCV
   Introduction
   Structure
   Image Segmentation Using OpenCV
   Introduction to Haar Cascade Classifiers
   Face Detection Using Haar Cascade Classifiers
   Eye Detection Haar Feature-based Cascade Classifiers
   Smile Detection Haar Feature-based Cascade Classifiers
   QR Code Detection Using OpenCV
   Optical Character Recognition Using OpenCV
   Conclusion
   Points to Remember
   References
9. Introduction to Deep Learning with OpenCV
   Introduction
   Structure
   Introduction to Machine Learning
      Types of machine learning
   Introduction to Deep Learning
   Artificial Neural Networks
      Types of neural networks
      Neural network architecture
      Activation functions
      Neural networks optimization techniques
      Steps for training neural networks
      Deep learning frameworks
      Deep learning applications
   Introduction to Deep Learning in OpenCV
      Neural networks in the image and video analytics
      Image classification with deep neural networks
      Object detection with neural networks
      Face detection and recognition with neural networks
      Semantic segmentation in neural networks
      Generative adversarial networks
   Integration of OpenCV with Robotics
   Iris Dataset in TensorFlow
   Fashion-MNIST in TensorFlow
   Digit Recognition Training Using TensorFlow
   Testing Digit Recognition Model Using OpenCV
   Dog Versus Cat Classification in TensorFlow with OpenCV
      Dog versus cat classification with OpenCV
   Conclusion
   Points to Remember
   References
10. Advance Deep Learning Projects with OpenCV
   Introduction
   Structure
   Introduction to YOLO
   YOLO Versions
   YOLO v3 Object Detection Using TensorFlow
   YOLO v5 and Custom Dataset Using TensorFlow
   Face Recognition Using TensorFlow with OpenCV
   FaceNet Architecture
   Real-time Age Prediction Using TensorFlow and RESNET 50_CNN
   RESNET 50_CNN
   Facial Expression Recognition Using TensorFlow
      Emotion detection methods
   Content-based Image Retrieval Using TensorFlow
   Conclusion
   Points to Remember
   References
11. Deployment of OpenCV Projects
   Introduction
   Structure
   Introduction to Deploying OpenCV Projects
      Deploying OpenCV projects in Azure
      Deploying OpenCV projects in Azure
   Integrating OpenCV with web applications
      Integrating dog vs. cat classification project and flask
   Conclusion
   Points to Remember
   References
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Historical Dictionary of British Radio (Historical Dictionaries of Literature and the Arts)

دانلود کتاب After the Baby Boomers: How Twenty- and Thirty-Somethings Are Shaping the Future of American Religion

دانلود کتاب Statistical Atlases and Computational Models of the Heart. Regular and CMRxMotion Challenge Papers: 13th International Workshop, STACOM 2022 Held in Conjunction with MICCAI 2022 Singapore, September 18, 2022 Revised Selected Papers

دانلود کتاب Karadeniz'den Mektuplar

دانلود کتاب Steel Wire Jewelry: Stylish Designs * Simple Techniques * Artful Inspiration