Yeni Başlayanlar İçin 8 Eğlenceli Bilgisayarla Görme Projesi Fikirleri [2022]

Yapay zeka ve makine öğreniminin birden fazla dalı vardır ve bilgisayarla görü en öne çıkanlar arasındadır. Bilgisayarla görü öğrenmenin en iyi yollarından biri, bilgisayarla görü projelerini tamamlamaktır. Bu nedenle, bu makalede en iyi bilgisayarla görü proje fikirlerimizi paylaştık. Bunlar çeşitli beceri seviyeleri içindir, böylece uzmanlığınıza göre bir proje (veya birden fazla proje) seçebilirsiniz. Başlayalım.

En İyi Bilgisayarla Görme Proje Fikirlerimiz

1. Aile Fotoğraflarınızda Yüz Algılama Gerçekleştirin

Yüz algılama, en popüler bilgisayarla görme proje fikirleri arasındadır. Güvenlik, sosyal medya, sağlık vb. pek çok alanda uygulamaları vardır. İster başlangıç ​​seviyesinde ister gelişmiş bir geliştirici olun, üzerinde kolaylıkla çalışabileceğiniz bir yüz algılama projesi bulabilirsiniz. Yüz algılama, bilgisayarla görmenin önemli bir bölümüdür ve uzman olmak istiyorsanız, birkaç yüz algılama projesi üzerinde çalışmalısınız.

Yeni başlayan biriyseniz, Python'daki Yüz Tanıma kitaplığıyla başlamalısınız . Belirli yüz tanıma uygulamaları için basit komutlarla kitaplığı kullanmak kolaydır. Ancak bu kütüphaneyi kullanabilmek için Python programlama konusunda deneyimli olmanız gerekmektedir. Bu kitaplık, yüzleri hızlı bir şekilde tanımlamanızı sağlayan basit bir face_recognition komutuna sahiptir.

Öte yandan, ileri düzey bir programcıysanız, görüntülerde yüz tanımlaması yapmak için OpenCV'yi kullanabilirsiniz. Daha karmaşık çözümler oluşturmak için Yüz Tanıma kitaplığını diğer Python kitaplıkları ile birleştirebilirsiniz.

Projeyi Nasıl Daha Zorlu Hale Getirirsiniz?

Videolarda yüzleri tanımlayan bir model geliştirebilirsiniz. Öte yandan, modelinize grup fotoğraflarında insanları tanımayı öğretebilirsiniz. Bu, modelin resimde bulunan kişiyi tanıması gerektiği anlamına gelir. Bunun için, modeli tanımasını istediğiniz kişilerin görüntülerinden oluşan özel bir veri kümesiyle modeli eğitmeniz gerekir.

2. Bir Kişi Sayma Çözümü Oluşturun

İnsan sayma, bilgisayarla görme teknolojisinin önde gelen bir uygulamasıdır. Son pandemi ile birlikte, insan sayma çözümlerinin değeri önemli ölçüde arttı. Bir resimde bulunan toplam insan sayısını hesaplamak için bir model oluşturmak için OpenCV ve Python kullanabilirsiniz.

Sosyal mesafenin hayatta kalmak için hayati önem taşıdığı mevcut dünyada insanları sayan bir çözüm etkili olabilir. Yeni başlayan biri olarak, önce bir resimde bulunan insan sayısını sayabilen basit bir insan ölçüm modeliyle başlamalısınız.

Projeyi Nasıl Daha Zorlu Hale Getirirsiniz?

Bu projeyi daha karmaşık veya gelişmiş hale getirmek istiyorsanız, daha fazla işlevsellik ekleyebilirsiniz. Örneğin, sosyal mesafe kurallarını uygulamak için halka açık bir yerde bulunan insan sayısını sayan bir çözüm oluşturun. Uygun sosyal mesafeye uyulmasının imkansız olacağı belirli bir sayıda insan olacaktır.

Kariyerinizi hızlandırmak için Dünyanın en iyi Üniversiteleri - Yüksek Lisanslar, Yönetici Yüksek Lisans Programları ve Makine Öğrenimi ve Yapay Zeka alanında İleri Düzey Sertifika Programından çevrimiçi olarak ML Kursuna katılın .

3. Açık Görüntüler Veri Kümesi ile Nesne Tanıma Uygulayın

Yeni başlayan biriyseniz ve daha önce görüntü işleme projelerinde çalışmadıysanız, Google'ın Açık Görüntüler Veri Kümesine aşina olmalısınız. Zengin ek açıklamalar içeren yaklaşık dokuz milyon farklı resimden oluşan bir koleksiyon. Fotoğraflar çeşitli türlerdedir ve birçoğunun birden fazla nesneden oluşan karmaşık sahneleri bile vardır. Nesne sınırlama kutularına, görsel ilişkilere, etiket açıklamalarına ve onu herhangi bir bilgisayarla görme meraklısı için mükemmel kılan birçok şeye sahiptir.

Open Images Dataset ile modellerinizi eğitebilirsiniz.

Öğrenin: Tensorflow 2.0 Görüntü Sınıflandırması

4. CIFAR-10'da Görüntü Sınıflandırması Gerçekleştirin

Görüntü sınıflandırma, bilgisayarla görmenin önde gelen bir derin öğrenme uygulamasıdır. Bu proje üzerinde çalışmak için Python, Keras ve TensorFlow'a aşina olmalısınız. Görüntü sınıflandırması yapmak için CIFAR-10 veri setini kullanabilirsiniz. On hedef sınıfla 60.000'den fazla resme sahiptir.

Her hedef sınıfın 6.000 görüntüsü vardır. Bu veri kümesinde bulunan fotoğraflar nispeten düşük çözünürlüklüdür, bu nedenle teknik sorunlarla karşılaşmadan birden fazla algoritmayı test edebilirsiniz. Görüntü sınıflandırma, bir resmin piksellerini ait oldukları sınıflara göre ayırmaya odaklanır.

Bu projeyi tamamlamak için Keras aracılığıyla evrişimli bir sinir ağı kurmanız gerekir.

Halihazırda Keras'ınız varsa, CIFAR-10 veri setini ayrıca indirmeniz gerekmeyecektir. Bunun nedeni, veri kümeleri modülünde mevcut olmasıdır.

Bu proje üzerinde çalışarak görüntü sınıflandırma hakkında çok şey öğreneceksiniz. Ayrıca sektörün en önde gelen yapay zeka araçlarından ikisi olan TensorFlow ve Keras'ı da kullanabilirsiniz. Bu proje üzerinde çalışmak, özelliklerini ve işlevlerini keşfetmenize yardımcı olacaktır.

Projeyi Nasıl Daha Zorlu Hale Getirirsiniz?

Bu projeyi daha zorlu hale getirmek için çözümünüze bir GUI ekleyebilirsiniz. GUI (grafik kullanıcı arayüzü), bir kullanıcının analiz için görüntüleri modelin test veri kümesine beslemesine izin verir. GUI'yi oluşturmak için Python'un Tkinter kitaplığına aşina olmalısınız. Bu şekilde, istenen veri kümeleri üzerinde görüntü sınıflandırması yapabilen çalışan bir yazılım çözümünüz olur.

5. Görüntülerdeki Renkleri Algıla

Görüntülerdeki renkleri algılamak, bilgisayarla görmenin çok önemli bir parçasıdır. Yapması kolay görünebilir, ama kesinlikle değil. Bir renk algılama modelinin birçok uygulaması vardır. Örneğin, fotoğraf düzenleme yazılımında kullanabilirsiniz. Renk algılama, medya ve eğlence endüstrisinde oldukça popüler hale gelen yeşil taramanın büyük bir parçasıdır.

Modelinizin amacı, bir görüntüde bulunan her rengi algılamak olacaktır. Modelinizi eğitmek için Google-512 veri kümesini kullanabilirsiniz. Ana renklerine göre ayrılmış internet görüntülerinden oluşan bir koleksiyondur ve siyah, kırmızı, beyaz, sarı, turuncu, mavi, gri, mor, pembe ve kahverengi renkleri vardır. Google-512 veri setine buradan ulaşabilirsiniz.

Ödeme: Yapay Zeka Proje Fikirleri

Projeyi Nasıl Daha Zorlu Hale Getirirsiniz?

Daha önce de belirttiğimiz gibi, yeşil tarama, muhtemelen renk algılama teknolojisinin en popüler uygulamasıdır. Yeşil ekranlar adından da anlaşılacağı gibi yeşil renkli ekranlardır. Kullanıcıların bir resmin veya videonun arka planını istedikleri herhangi bir fotoğraf veya videoya değiştirmesine izin verir. Yazılım daha sonra ekranın yeşil rengini belirleyecek ve onu seçilen görüntü veya video ile değiştirecektir. Yeşil ekrana benzeyen bir model oluşturabilirsiniz.

6. Nesne İzlemeyi Öğrenin

Nesne izleme, bilgisayarla görmenin ileri düzey bir uygulamasıdır. Listemizde daha çok görüntü işleme projelerini ele almış olsak da, bu proje video analizine odaklanıyor. Bir nesne izleme modeli, bir videodaki belirli bir nesneyi tanımlayacak ve izleyecektir. Model, izleme nesnelerinde iki özel görevi yerine getirir. Mevcut duruma göre nesnenin bir sonraki durumunu tahmin etmesi gerekir. Daha sonra model, durumu nesnenin gerçek durumuna göre düzeltmelidir.

Bu proje üzerinde çalışmak için TLP veri setini kullanabilirsiniz. Gerçek dünya senaryolarının 50 Yüksek Çözünürlüklü videosu var. 400 dakikadan fazla çeşitli klipleri var. TLP veri kümesinin yaratıcıları ayrıca TinyTLP adlı daha küçük bir veri kümesine sahiptir. TLP veri setinde bulunan her klibin ilk 20 saniyesine sahiptir. TLP veri kümesi hakkında daha fazla bilgiyi buradan edinebilirsiniz .

7. Görsellerdeki ve Videolardaki Araçları Sayma

Bir araç sayma sistemi, trafiği yönetmek için oldukça faydalı olabilir. Sürücüsüz arabalar için de faydalı olabilir. Bu projede, bir görüntüde bulunan araba ve bisiklet sayısını sayabilen bir araç sayma modeli oluşturacaksınız. Zorlu senaryolarda (yüksek gölgeli veya kapalı görüntülerde) bunları sayabilmelidir. Bu proje üzerinde çalışmak için 3425'ten fazla araç görüntüsünden oluşan bir koleksiyon olan Araç Görüntü Veritabanını kullanabilirsiniz.

Bu veri kümesini kullanarak modelinizi arabaları tanıması için eğitebilirsiniz. Bu proje üzerinde çalışmaya başlamadan önce nesne tanımaya aşina olmalısınız. Veritabanında araçsız yol sekanslarının da 3900 görüntüsü var. Araç Görüntüsü Veritabanında birden fazla sınıf mevcuttur, böylece modelinizi titiz bir şekilde eğitebilirsiniz.

8. Bir QR Kod Tarayıcı Oluşturun

QR kodlarının son yıllarda ne kadar popüler hale geldiğini fark etmiş olmalısınız. UPI, Paytm, PhonePe ve diğer dijital ödeme uygulamaları, basit uygulamaları nedeniyle QR kodlarını yaygın olarak popüler hale getirdi. QR kod tarayıcıları, görüntü analizi için bilgisayar vizyonunu kullanır. Dolayısıyla, bu projede bir QR kod tarayıcı oluşturmanız gerekiyor.

Tarayıcıyı oluşturmak için OpenCV kullanmanız gerekir. Bu, bu proje üzerinde çalışmaya başlamadan önce Python'da programlamaya da aşina olmanız gerektiği anlamına gelir. OpenCV dışında, bu projede QR kodlarını ve barkodları taramaya adanmış bir Python kütüphanesi olan pyzbar'ı kullanacaksınız.

Bu proje üzerinde çalışmak, bilgisayarla görünün gerçek dünyadaki uygulamalarına aşina olmanızı sağlayacaktır. Ayrıca, başka bir projeye entegre edebileceğiniz operasyonel bir QR kod tarayıcınız olacaktır.

Projeyi Nasıl Daha Zorlu Hale Getirirsiniz?

Bu projeyi daha karmaşık hale getirmek için modelinize barkod tarama işlevini ekleyebilirsiniz. Barkodlar ve QR kodları arasında önemli farklılıklar vardır. Barkod tarayıcı oluşturmak için pyzbar kullanmanız gerekir. QR kod tarayıcıyı ve barkod tarayıcıyı tek bir çözümde birleştirerek bu projeyi bir adım öteye taşıyabilirsiniz.

Okuyun: Makine Öğrenimi Proje Fikirleri

Yapay Zeka ve Makine Öğrenimi Hakkında Daha Fazla Bilgi Edinin

Bilgisayarla görü proje fikirleriyle ilgili bu makaleyi okumaktan keyif aldığınızı umarız. Bu konuyla ilgili herhangi bir sorunuz veya öneriniz varsa, lütfen bize bildirin. Sizden haber almak isteriz.

Birden fazla bilgisayarla görü projesinde çalışarak bu alanda uzman olmak için gerekli becerileri geliştirebilirsiniz. Projeler, eksiklerinizi bulmanıza da yardımcı olur. Bilgisayarla görme hakkında daha fazla bilgi edinmek istiyorsanız blogumuza gidebilirsiniz.

Öte yandan, kişiselleştirilmiş bir öğrenme deneyimi istiyorsanız, bir makine öğrenimi kursu almanızı öneririz . Makine öğrenimi kursu, etkileşimli testler, videolar ve projeler aracılığıyla sektör uzmanlarından öğrenmenize olanak tanır.

Size yalnızca makine öğrenimini değil, aynı zamanda bulut altyapısını kullanarak bunun etkin dağıtımını da öğreten bir program oluşturmak için ülkedeki en iyi mühendislik okulu olan IIT Madras ile Makine Öğrenimi ve Bulutta Gelişmiş Sertifikasyon Programına göz atın. Bu programla amacımız, ülkedeki en seçici enstitünün kapılarını açmak ve yüksek ve gelişen bir beceride ustalaşmak için öğrencilere muhteşem fakülte ve kaynaklara erişim sağlamaktır.

En çok hangi görüntü işleme projelerini beğendiniz? Bir proje üzerinde çalışmayı planlıyor musunuz? Yorumlarda bize bildirin.