用6行代码训练AI对象检测模型

于 2021-02-02 13:35:58 发布
阅读量446 收藏 1
点赞数 1
分类专栏： AI观察家

图片

本文分步介绍在自定义数据集上训练对象检测模型

图片

对象检测是计算机视觉最前沿的方向之一，因为它要求你在图片或者视频中定位、标识、统计和跟踪任何需要关注的对象。对象检测广泛用于许多有趣的工作和研究领域，例如：

• 自动驾驶

• 安全方面

• 行人/人群检测

• 车牌号码和车辆检测

• 工业自动化（例如，物品拣选和分类）

• 机器人技术等等。

许多预先收集的对象检测数据集，诸如Pascal VOC，Microsoft的COCO，Google的Open Images，以及经过他们预先训练的模型，都可以使用，它们仅用于检测和识别一组特定的对象。

但是，使用这些公共数据集和预先训练的模型所面临的挑战是，它们不能为您提供便捷的方法来轻松训练新的物体检测模型以检测和识别你需要识别的物体。自从我发表第一篇“对象检测”和“用10行代码进行对象检测”以来，我收到了来自开发人员，团队，学生和研究人员的数千个希望检测自己感兴趣的图像和视频对象的请求，超出了COCO数据集中提供的80个类别和Open Images数据集中提供的600个类别。

我非常高兴地宣布，在最新版本的ImageAI v2.1.0中，现已完全支持对训练您的自定义YOLOv3模型进行检测并实现检测几乎任何种类和数量的对象的要求。这里我们将指导您进行的实际的操作，让我们开始吧。

OlafenwaMoses/ImageAI（https://github.com/OlafenwaMoses/ImageAI）

出于这个教程的目的，我们将使用Google Colab来训练我们已经提供的一个样本数据集，步骤如下。

步骤一：准备数据集
对于您的自定义检测训练，您必须提供用来训练模型的样本图像（图像数据集），并在训练后进行准确性验证。ImageAI检测训练支持自定义数据集的Pascal VOC格式。在本教程中，我们提供了Hololens混合现实头具的样本数据集，我们将在其上训练一个模型，该模型可以检测和识别图片和视频中的Hololens。您可以通过下面的链接下载样本数据集。

https://github.com/OlafenwaMoses/ImageAI/releases/download/essential-v4/headset.zip

如果要针对自己的自定义对象训练自己的图像，请按照以下说明进行操作。

• 确定要检测的对象类型，并为每个对象收集大约200张（推荐的底限数量），越多越好。

• 收集图像后，需要标注图像中的对象。ImageAI使用Pascal VOC格式进行图像标注。您可以按照我们通过下面的链接提供的分步教程为图像生成此标注信息。

参考文章：对象检测训练——准备你自定义的数据集

（https://medium.com/deepquestai/object-detection-training-preparing-your-custom-dataset-6248679f0d1d)

• 完成有图像的标注后，为数据集创建一个文件夹（例如headset），并在此父文件夹中创建子文件夹训练和验证的子文件夹train和validations。

• 在train文件夹中，创建images和annotations子文件夹。将大约70-80％的数据集图像放入images文件夹中，并将这些图像的相应注释放入注释文件夹中

• 在validation文件夹中，创建images和annotations子文件夹。将其余的数据集图像放入images文件夹中，并将这些图像的相应注释放入annotations文件夹中

• 完成此操作后，图像数据集文件夹的结构应类似于以下示例：

>>train>>images>> img_1.jpg
            >>images>> img_2.jpg
            >>images>> img_3.jpg
            >>annotations>> img_1.xml
            >>annotations>> img_2.xml
            >>annotations>> img_3.xml


>>validations>>images>> img_151.jpg
                >>images>> img_152.jpg
                >>images>> img_153.jpg
                >>annotations>> img_151.xml
                >>annotations>> img_152.xml
                >>annotations>> img_153 .xml

步骤二：安装ImageAI和依赖项
转到https://colab.research.google.com并创建一个新笔记本。将新笔记本的运行时更改为GPU。然后：

• 运行以下命令以下载示例hololens数据集

！wget
https://github.com/OlafenwaMoses/ImageAI/releases/download/essential-v4/hololens.zip

• 解压缩hololens数据集的zip文件

!unzip hololens.zip

出于训练的目的，安装 Tensorflow GPU版本1.13.1。这是因为安装在你新笔记本上默认的Tensorflow GPU版本，当你训练你的模型的时候，会生成‘_TfDeviceCaptureOp’ 错误，物体目标没有这个属性‘_set_device_from_string’。如果你的新笔记本在安装以后收到一个要重新启动的提示，那就按照指示重新启动。

!pip3 install tensorflow-gpu==1.13.1

然后从PIP安装最近版本的ImageAI

!pip3 install imageai --upgrade

步骤三：开始您的检测模型训练
为了确保我们训练的自定义模型具有更好的检测准确性，我们将在训练中使用来自预先训练的YOLOv3模型的转移学习。ImageAI提供了在有和没有转移学习的情况下进行训练的选项。我强烈建议您使用转移学习，除非您的数据集中有数千个对象样本。

• 下载预训练的YOLOv3模型

！wget
https://github.com/OlafenwaMoses/ImageAI/releases/download/essential-v4/pretrained-yolov3.h5

• 然后运行培训代码，如下所示

from imageai.Detection.Custom import DetectionModelTrainer

trainer = DetectionModelTrainer()
trainer.setModelTypeAsYOLOv3()
trainer.setDataDirectory(data_directory="hololens")
trainer.setTrainConfig(object_names_array=["hololens"], batch_size=4, num_experiments=100, train_from_pretrained_model="pretrained-yolov3.h5")
trainer.trainModel()

很简单吧！上面的6行代码是您开始对自定义数据集进行训练所需的全部代码。现在让我们将代码分解为一部分：

• 在第一行中，我们从ImageAI导入“DetectionModelTrainer”类

• 在第二行和第三行中，我们创建了该类的实例，并将模型类型设置为YOLOv3

• 在第4行中，我们将路径设置为自定义数据集

• 在第5行中，我们指定了以下参数：

—objectnamesarray：这是数据集中所有对象名称的数组。请注意，如果您的自定义数据集批注包含多个对象，请按照以下示例所示简单地设置所需数值
object_names_array = [“ hololens”，“ google-glass”，“ oculus”]
—batch_size：这是训练的批次大小。请注意，批次大小越大，保存的模型的检测精度越好。但是，由于Colab上Nvidia K80 GPU的内存限制，我们必须将此值保持为4。批次大小可以为8、16等。
—num_experiments：这是我们训练代码在自定义数据集上迭代的次数。
—trainfrompretrained_model：这用于使用我们先前下载的预训练的YOLOv3模型来利用转移学习。

训练开始之后，

• ImageAI将在hololens / json文件夹中生成detection_config.json文件。此JSON文件将在检测图像和视频中的对象期间使用

• ImageAI将创建hololens / models文件夹，在该文件夹中将保存所有生成的模型

• 您将在日志中看到类似下面的示例详细信息。

Using TensorFlow backend.
Generating anchor boxes for training images and annotation...
Average IOU for 9 anchors: 0.78
Anchor Boxes generated.
Detection configuration saved in hololens/json/detection_config.json
Training on: ['hololens']
Training with Batch Size: 4
Number of Experiments:  200


Epoch 1/200
 - 733s - loss: 34.8253 - yolo_layer_1_loss: 6.0920 - yolo_layer_2_loss: 11.1064 - yolo_layer_3_loss: 17.6269 - val_loss: 20.5028 - val_yolo_layer_1_loss: 4.0171 - val_yolo_layer_2_loss: 7.5175 - val_yolo_layer_3_loss: 8.9683
Epoch 2/200
 - 648s - loss: 11.1396 - yolo_layer_1_loss: 2.1209 - yolo_layer_2_loss: 4.0063 - yolo_layer_3_loss: 5.0124 - val_loss: 7.6188 - val_yolo_layer_1_loss: 1.8513 - val_yolo_layer_2_loss: 2.2446 - val_yolo_layer_3_loss: 3.5229
Epoch 3/200
 - 674s - loss: 6.4360 - yolo_layer_1_loss: 1.3500 - yolo_layer_2_loss: 2.2343 - yolo_layer_3_loss: 2.8518 - val_loss: 7.2326 - val_yolo_layer_1_loss: 1.8762 - val_yolo_layer_2_loss: 2.3802 - val_yolo_layer_3_loss: 2.9762
Epoch 4/200
 - 634s - loss: 5.3801 - yolo_layer_1_loss: 1.0323 - yolo_layer_2_loss: 1.7854 - yolo_layer_3_loss: 2.5624 - val_loss: 6.3730 - val_yolo_layer_1_loss: 1.4272 - val_yolo_layer_2_loss: 2.0534 - val_yolo_layer_3_loss: 2.8924
Epoch 5/200
 - 645s - loss: 5.2569 - yolo_layer_1_loss: 0.9953 - yolo_layer_2_loss: 1.8611 - yolo_layer_3_loss: 2.4005 - val_loss: 6.0458 - val_yolo_layer_1_loss: 1.7037 - val_yolo_layer_2_loss: 1.9754 - val_yolo_layer_3_loss: 2.3667
Epoch 6/200
 - 655s - loss: 4.7582 - yolo_layer_1_loss: 0.9959 - yolo_layer_2_loss: 1.5986 - yolo_layer_3_loss: 2.1637 - val_loss: 5.8313 - val_yolo_layer_1_loss: 1.1880 - val_yolo_layer_2_loss: 1.9962 - val_yolo_layer_3_loss: 2.6471
Epoch 7/200

步骤四：评估模型
在上面显示的样本日志中，基于验证损失的减少（例如，损失：5.2569）保存新模型。在大多数情况下，损耗越小，模型将更准确地检测图像和视频中的对象。但是，某些模型可能会过度拟合，但损失仍然较低。为了确保为您的自定义检测选择最佳模型，ImageAI允许您评估hololens / models文件夹中保存的所有经过训练的模型的mAP。

mAP越高，模型的检测精度越好。

在训练期间保存的模型上直接运行以下代码：

from imageai.Detection.Custom import DetectionModelTrainer

trainer = DetectionModelTrainer()
trainer.setModelTypeAsYOLOv3()
trainer.setDataDirectory(data_directory="hololens")
trainer.evaluateModel(model_path="hololens/models", json_path="hololens/json/detection_config.json", iou_threshold=0.5, object_threshold=0.3, nms_threshold=0.5)

当您运行上面的代码时，您将获得类似于以下示例的结果。

Model File: hololens/models/detection_model-ex-07--loss-4.42.h5
Using IoU : 0.5
Using Object Threshold : 0.3
Using Non-Maximum Suppression : 0.5
hololens: 0.9231
mAP: 0.9231


Model File: hololens/models/detection_model-ex-10--loss-3.95.h5
Using IoU : 0.5
Using Object Threshold : 0.3
Using Non-Maximum Suppression : 0.5
hololens: 0.9725
mAP: 0.9725


Model File: hololens/models/detection_model-ex-05--loss-5.26.h5
Using IoU : 0.5
Using Object Threshold : 0.3
Using Non-Maximum Suppression : 0.5
hololens: 0.9204
mAP: 0.9204

让我们细分评估代码：

• 在前4行中，我们导入相同的训练类，创建类实例，设置检测模型类型，并设置数据集目录的路径。

• 在第5行中，我们调用了.evaluateModel函数，并在下面指定了参数

—model_path：这是包含我们的模型的文件夹的路径。它也可以是特定模型的文件路径。
—json_file：这是训练期间保存的detection_config.json文件的路径。
—iou_threshold：这是我们为mAP计算所需的最小“Intersection over Union”。可以将其设置为0.0到1.0之间的值
—object_threshold：这是我们为mAP计算所需的minimum class score。可以将其设置为0.0到1.0之间的值。
—nms_threshold：这是我们为mAP计算所需的Non-maximum suppression（非极大值抑制）。
步骤五：检测图像中的自定义对象
现在我们已经训练了自定义模型来检测Hololens头具，我们将使用已保存的最优模型以及生成的用于检测图像中对象的detection_config.json文件。

图片

• 让我们以上面的示例图像来测试我们训练的定制hololens检测模型。

• 我们提供了已经训练的Hololens检测模型供您测试。通过下面的链接下载模型和相应的detection_config.json文件。

https://github.com/OlafenwaMoses/ImageAI/releases/download/essential-v4/hololens-ex-60–loss-2.76.h5

https://github.com/OlafenwaMoses/ImageAI/releases/download/essential-v4/detection_config.json

• 现在，让我们运行我们的自定义Hololens检测代码，如下所示。

from imageai.Detection.Custom import CustomObjectDetection

detector = CustomObjectDetection()
detector.setModelTypeAsYOLOv3()
detector.setModelPath("hololens-ex-60--loss-2.76.h5")
detector.setJsonPath("detection_config.json")
detector.loadModel()
detections = detector.detectObjectsFromImage(input_image="holo3.jpg", output_image_path="holo3-detected.jpg")
for detection in detections:
    print(detection["name"], " : ", detection["percentage_probability"], " : ", detection["box_points"])

当我们运行上面的代码时，我们得到的结果如下。

—识别结果—

图片

hololens：34.01297628879547：[27，79，348，248]
hololens：58.56814980506897：[317，171，498，260]
hololens：73.11487197875977：[725，208，863，303]

瞧瞧！现在我们已经能够在Hololens Mixed Reality headset数据集上成功地训练一个新的检测模型用于检测。

如果您喜欢这篇文章，请尽可能多地鼓掌，还可以与朋友和同事分享。

图片

Colan Notebook包含了这个教程所需的所有代码，你可以通过下方的链接获取。

Google Colaboratory：

https://colab.research.google.com/drive/1R6t5MfFc3JnhZB-UmTjWLbEetBZ22agg

最后，ImageAI同时也允许你使用你自定义的检测模型在视频里进行物体检测并进行视频分析。请参阅下面提供的文档和实例代码链接。

OlafenwaMoses/ImageAI：

https://github.com/OlafenwaMoses/ImageAI/blob/master/imageai/Detection/Custom/CUSTOMDETECTION.md

视频检测文档：OlafenwaMoses/ImageAI：

https://github.com/OlafenwaMoses/ImageAI/blob/master/imageai/Detection/Custom/CUSTOMDETECTION.md

示例代码：OlafenwaMoses/ImageAI：

https://github.com/OlafenwaMoses/ImageAI/tree/master/examples

物体检测指南

https://www.fritz.ai/object-detection/

关于DeepQuest AI：

https://deepquestai.com/about

原文链接：https://medium.com/deepquestai/train-object-detection-ai-with-6-lines-of-code-6d087063f6ff

  • End -

更多AI最新消息，请关注《派派AI学院》👇

https://www.pypyai.com/

派派AI学院
关注
专栏目录
博客
人工智能和机器学习在改善客户体验方面的应用
07-14 668
有些人认为机器不可能接管客户服务。许多人认为机器缺乏同理心和情商来提供独特的客户体验，而许多其他人则看到利用人工智能和机器学习来自动完成重复性任务的好处。事实是通过实施AI技术，员工可以将更多时间用于重要的决策和创造性任务。根据美国全国零售联合会的一项调查，近 40% 的零售商正在使用某种智能自动化。事实上，据信到 2021 年底，超过 80% 的企业将朝着这个方向发展。人工智能和分析已经通过自动化大量手动和繁重的任务，在质量和响应能力方面取得了巨大的进步。那么，理想的前进方向是什么？客户体验中对..
博客
数据科学管理中的7个任务
05-21 393
各个行业的大多数公司都在不断将数据科学用于企业实际运营和生产活动中。无论企业大小，数据科学家的数量在不断增加。数据科学团队的规模和复杂性也随之增加。但是据报道，与此同时只有极少数（22％）的数据科学项目获得高利润回报，大量（60％到85％）的大数据项目失败了。这就引出了一个问题：如何应对管理数据科学团队的复杂性？我在本文中期望阐明：**定义什么是数据科学管理；对促进数据科学文化提出建议；描述数据科学经理的任务；概述公司对数据科学经理的需求；并浏览一下如何找到合适的人选。**什么是数据科.
博客
什么是首席数据官？通过数据创造业务价值的领导者
04-26 637
目前很多企业一直任命首席数据官（CDO）。Capital One于2002年任命了第一任首席数据官（CDO）。在随后的十年中，只有少数组织紧随其后，但NewVantage Partners的《 2020年大数据高管调查》发现，《财富》1000强企业和技术高级决策者中有57％表示他们的组织已经任命了首席数据官。首席数据官负责监督一系列与数据相关的工作，其中包括数据管理，确保数据质量和创建数据策略。他或她还可能负责数据分析和商业智能，这是从数据中获取有价值的见解的过程。也许某些数据管理功能可能属于IT部..
博客
研究人员使用人工智能发现《死海古卷》秘密
04-26 273
“死海古卷”（Dead Sea Scrolls，或称死海经卷、死海书卷、死海文书），是目前最古老的希伯来圣经抄本（旧约）。除了《圣经·以斯帖记》以外的《旧约全书》全部内容都能在死海古卷中找到，还含有一些虽然已经得到天主教承认、但仍被新教视作外典（包括次经及伪经）的经卷。此外，当中也包含一些不属于《圣经》的文献。该古卷出土于1947年的死海附近的库姆兰，故名为死海古卷。古卷主要在羊皮纸，以及部分纸莎草纸上书写。抄写的文字以希伯来文为主，当中也有少数由希腊文、亚兰文、纳巴提文和拉丁文写成。– 摘自《维基百.
博客
下一场AI革命：神经符号人工智能
04-13 463
大家好，欢迎来到pypyai游乐园 ！想知道为什么最近技术社区涌向神经符号AI，请阅读此文????神经符号AI是神经网络和符号AI的组合。人工智能是当今时代最具破坏性的技术之一，但它仍然需要改进。麻省理工学院-IBM联合主办的华生AI实验室主任David Cox说，“现在是时候重新发明人工智能了”。借助神经符号AI，人工智能将变得越来越智能。它结合了两种先前存在的AI方法，因此从技术上讲它不是一个新概念，现在让我们一探究竟。01基于规则的符号-AI基于规则的符号AI可以说是首创，因为这种方法是创
博客
加快数字化转型成功的7种方法
04-09 277
根据Altimeter年度《数字转型状况》报告，战略性数字转型正在超越IT领域，影响整个企业。很多公司在进行数字化转型，使公司在数字经济中的工作，竞争和增长方式上实现现代化。Altimeter首席分析师兼报告作者布莱恩·索利斯（Brian Solis）告诉我们：“我们正在从以’数字’为中心的方法转变为数字化转型，其中数字化对企业范围内的转型和推动创新具有重大意义。” 该报告对来自北美，欧洲和中国的企业组织的554名专业人员进行了调查。报告发现，数字化工作的所有权正在扩大到对公司具有广泛视野的最高管理层.
博客
微软军事化AR头显，赢得美国军方价值210亿美元设备合同
04-06 264
第82空降师士兵在2020年10月的一次训练演习中使用集成视觉增强系统（IVAS）。美国陆军与微软签署了一项价值高达210亿美元购买增强现实头戴设备的合同。该头戴设备将情报信息直接叠加到士兵的视野中来帮助士兵了解战场地形，选择目标并发现潜在的威胁。集成视觉增强系统（称为IVAS）是一系列更广泛投资的一部分。士兵需要根据他们掌握的有限信息，在遥远的战场上迅速做出决策。该技术利用军事情报数据增强士兵的战斗力。这些所谓的“战术边缘”设备中的许多设备都基于在商业领域中开发的云计算的最新进展。增强现实技术专..
博客
你的下一个无线网：Wi-Fi 6、5G还是私有5G？
04-06 217
速度取胜的有线网络还是方便移动的无线网络人们总是在这个问题上纠结不休。好在这种纠结终于可以停止了，因为最新版本的Wi-Fi速度可与有线网络媲美了。有线连接的速度仍然更快，但是对于大多数用户应用程序（包括视频）而言，体验感受没有区别。展望未来，下一代无线技术将远远超过1Gbps，使得使用无线技术变得轻轻松松。你面临的新的重大选择是：采用什么样的无线技术？过去，只有一种选择，那就是Wi-Fi。现在还有另一个选择正在发挥作用，那就是5G。不是像您的手机所连接的那种5G，而是在企业环境中使用的私有5G。了.
博客
6个工具让网页抓取变得轻而易举
03-31 1276
大家好，欢迎来到pypyai游乐园 ！任何数据科学项目都离不开数据。没有数据就没有“数据科学”。大多数数据科学项目中用于分析和构建机器学习模型的数据存储在数据库中，但有时数据也来自是网络。你可以从某个网页收集某种产品的数据，或者从社交媒体中发现某种模式，也许是情感分析。不管您为什么收集数据或打算如何使用数据，从Web收集数据（Web抓取）都是一项非常繁琐的工作。您需要做一些繁琐的工作事情才能达到目的。Web抓取是您作为数据科学家需要掌握的重要技能之一。为了让得到的结果准确并有意义，您需要知道如何查找.
博客
AI与人类斗嘴谁更强？
03-22 151
在很多游戏和围棋比赛中，人工智能（AI）都展现出了 “超人” 能力，现在，它又开始冲击辩论赛了。▲Nature最新封面IBM开发了一种用于与人类辩论的人工智能系统。在发表于《自然》杂志上的论文中，研发团队成员描述了他们的系统以及与人类对手对抗时的表现。邓迪大学的克里斯·里德（Chris Reed）在同一期杂志上发表了《新闻与观点》文章，概述了基于人类论证中使用的逻辑类型和IBM开发的新系统的AI技术的历史和发展。如里德（Reed）所指出的那样，辩论是人类几千年来磨练的技能。通常认为这是一种讨论，其.
博客
AI深度伪造与真相的未来
03-22 302
克里斯·乌梅（Chris Ume）/ YouTube最近几个深度伪造（DeepFake)技术制作的视频在TikTok上广为流行，着几部视频都是栩栩如生的汤姆·克鲁斯（Tom Cruise）“出演”的。人们穿过黑暗的玻璃仿佛隐隐看到真相的未来。获得主要名人或政治人物的深度伪造将像“一键式”功能那样平平常常，这样的世界开始令人担忧。无论你喜欢与否，这个世界上的任何人一个都可以使用Deepfake技术。但是，无论是出于恶作剧还是提高知名度，对高端专业AI技术使用者进行管理比看起来要困难得多。Deepfa..
博客
Gartner 2021年重要战略技术趋势
03-15 544
在每年的IT研讨/ Xpo会议上，Gartner列举的技术发展趋势是CIO和其他高级管理人员应关注趋势列表中最全面。今年，Gartner副总裁Brian Burke介绍了2021年的十大战略技术趋势，将主要趋势分为“以人为本”，“位置独立性”和“弹性交付”。以人为本已在去年的榜单中。但是您一定可以看到，人们对位置独立性和弹性交付越来越重视，这是对新冠大流行的一种反应，是今年新出现的趋势。伯克（Burke）表示，到2020年，大流行及其相关的经济影响引发了巨大的动荡，这为IT领域的重大变革奠定了基础。“..
博客
AI如何让你变得更美丽？
03-08 239
今天是女神节，小编和大家讨论一下世纪难题，有什么办法可以让女生变得更美呢？几个世纪以来，学者们争论着究竟什么是美，以及如何以一种标准化的、可复制的方式来衡量美。有人认为美不是天生的，这是神话，对于美的感知是通过学习后天得来的，而不是与生俱来的能力。其他人则认为，对美的感知是一种“先天的发育或生物学能力”。在过去的几十年中，学者们尝试通过计算机技术和人工智能技术的发展来标准化面部美容。女性对其他女性的美有明显的感知差异，而男性对女性的美有明显区别。男性比女性有更多的睾丸激素受体，尤其是在大脑的视觉区域。..
博客
GPT-3：一个新应用生态系统诞生了
03-03 374
「某个应用程序用2个基于GPT-3的机器人相互辩论。这是YouTube用户 Bakz T. Future剖析的14个GPT-3应用程序之一。」GPT-3以其庞大的规模成为OpenAI令人印象深刻的自然语言处理（NLP）模型。Transformer encoder-decoder模型之间由超过1,750亿个被称为参数的单词之间的加权值连接，将其15亿个参数的前身GPT-2打的落花流水。您只要输入要执行的任务的几个示例，该模型就能够生成令人惊奇的类似于人类撰写的文本。它于2020年发布时占据了头条新闻。人们
博客
创建一个像您一样说话的智能聊天机器人
02-24 612
介绍本文介绍一种创建聊天机器人的方法，所采用的技术包括具有预先训练单词嵌入和带有编码器-解码器体系结构的循环神经网络。单词嵌入是预先训练的，意味着他们不需要学习，只需将它们从文件加载到神经网络中即可。为了了解聊天机器人对某个特定请求的响应，这里实现了编码器-解码器网络。聊天机器人是使用TensorFlow和Keras API创建的。在本文中，您可以了解这些概念以及如何使用它们来创建像您一样说话的聊天机器人。应用AI技术简介由于本文介绍的实现方法使用了词嵌入，因此以下对该AI技术进行简短的介绍：词嵌..
博客
2021年您是否还在使用Pandas处理大数据？
02-18 323
NASA在Unsplash上拍摄的照片我最近写了两篇有关使用Dask和Vaex处理大数据的介绍性文章，这两个库都能用于处理大于内存的数据集。在写那两片文章时，我想到一个问题：这些库真的可以处理比内存更大的数据集吗？还是仅仅是销售口号？这就促使我对Dask和Vaex进行了实际实验，并尝试处理比内存数据集更大的数据。这些数据集非常大到无法使用Pandas打开它。**我所说的大数据是什么？照片由EV上Unsplash大数据是一个松散定义的术语， 其定义甚至与Google的点击次数一样多。在本文..
博客
AI已经学会「生孩子」了，你害怕吗？
02-03 486
谷歌AutoML人工智能系统创造了自己的“AI孩子”，其性能优于人造人工智能，这说明机器自动编程比人类程序员编程更加精确。 谷歌AI生娃了 视频：pypyai/com 出品Google Brain的研究人员宣布创建AutoML——能自己生成 AI 的 AI。他们使用了强化学习的方法和自动化机器学习模型的设计，通过AutoML的神经网络控制，来教这个“孩子”执行特定的任务。NASNe.
博客
为什么现在发生AI革命？由于这6个关键因素
02-03 825
近年来，人工智能一直在蓬勃发展，并经常成为一个新闻话题。但是，为什么呢？人工智能研究始于20世纪中叶，当时数学家艾伦·图灵（Alan Turing）在1950年的一篇著名论文中提出了“机器可以思考吗？”的问题。然而，直到21世纪，人工智能才塑造了影响着全球数十亿人口和大多数行业的现实应用。在本文中，我们将探讨AI迅速崛起的主要原因。从本质上讲，它可以归结为6个关键因素，这些因素创造了令人难以置信的强大环境，使AI研究人员和从业人员能够开发从电影推荐（Netflix）到自动驾驶汽车（Waymo）到进行语.
博客
9大Jupyter Notebook扩展工具
01-27 1387
Jupyter Notebook是数据科学家最常使用的工具。它可以在一个文档中混合代码和文本，并且检查输出也很方便，其他编程IDE都没有提供这么方便的功能。但是，Jupyter笔记本的基本版本并不完美。你需要安装一些扩展插件，才能使Jupyter Notebook的性能更佳。本文我们将向您展示如何通过安装一些插件增强Jupyter Notebool的功能。什么是Jupyter Notebook插件？Jupyter Notebook插件是在后台运行并扩展Notebook功能的JavaScript代码.
博客
用10行代码搞定对象识别（上）
01-27 244
人工智能的重要领域之一是计算机视觉。计算机视觉是研究利用计算机和软件系统，识别和理解的图像和场景的科学。计算机视觉包括下面几个方向：图像识别，对象检测，图像生成，图像超分辨率等。由于有大量实际应用场景，对象检测可能是计算机视觉研究最深入的领域。在本教程中，我将简要介绍现代对象检测的概念，软件开发人员面临的挑战，我的团队提供的解决方案以及执行高性能对象检测的代码教程。对象检测是指计算机和软件系统在图像/场景中定位对象并识别每个对象的能力。对象检测已广泛用于面部检测、车辆检测、行人计数、网络图像、安全系统和.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值