قیمت 65,000 تومان 30,000 تومان

امتیاز 4.00 از 3 رأی
4.00 3 رای
65,000 تومان 30,000 تومان
ویژگی های دوره
place
نوع دوره: غیر حضوری
local_library
سطح دوره: فوق حرفه ای
traffic
پیش نیاز: پایتون
language
زبان: فارسی
access_time
ویدئویی (کیفیت HD)
playlist_add_check
ناشر : بیگ لرن
storage
223 مگابایت
supervisor_account
روش پشتیبانی: ارسال تیکت
card_membership
ساده و قابل فهم

طبقه بندی محصولات غذایی براساس تصاویر؟

غذا و تغذیه ، بی‌شک مهمترین موضوع مورد بحث دنیای امروز را تشکیل می‌دهد. افزایش آگاهی و دانش مردم در مورد خصوصیات تغذیه‌ای ترکیبهای مختلفی غذایی ، نیازمند این است که در مورد غذاهای خاص اطلاعات بیشتری مانند میزان هر یک از مواد معدنی و ویتامینها و مقدار مواد قندی و چربی‌ها ارائه شود. امروزه بسیاری از روشهای مورد استفاده در تجزیه غذاها بر اساس سیستمی استوار است که حدود صد سال پیش توسط دو دانشمند آلمانی به نامهای Stohman و Hennberg برای تجزیه مواد غذایی دامی ارائه گردید و تحت عنوان تجزیه تقریبی غذاها نامگذاری شد. این طرح تجزیه‌ای شامل اندازه گیری اجزای اصلی غذا با استفاده از روشهای نسبتا سریع و قابل قبول بدون نیاز به وسایل یا مواد شیمیایی پیچیده می‌باشد. با پیشرفت های انجام شده در زمینه تصویربرداری و تولید تصاویر دیجیتال با رزولوشن بالا نیاز به دسته بندی دقیق محصولات براساس تصاویر احساس می گردد به نحوی که یکی از اساسی ترین قسمتهای پردازش تصویر دسته بندی تصاویر می باشد نکته مهم در دسته بندی تصاویر ارائه روشی با دقت بالا برای این کار است. دسته بندی تصاویر به این دلیل اهمیت زیادی دارد که از آن می توان در مواردی مانند پزشکی، نظامی، سازمان های مختلف و غیره استفاده نمود. بنابراین، اطلاعات به دست آمده از تصاویر مختلف را می توان به روش های گوناگونی دسته بندی کرد که بستگی به روش پردازش به کار رفته در تصاویر دارد ولی آنچه به عنوان یک اصل واحد در موارد دسته بندی مورد توجه قرار گرفته است خصوصیاتی چون رنگ، اندازه و غیره در هر ناحیه است، که می توان آنها را خصوصیات ظاهری و بارز تصویر نامید.

کاربرد طبقه بندی محصولات غذایی؟

هوش مصنوعی فیسبوک به کمک یادگیری عمیق قادر به تشخیص تصاویر و اشیاء موجود در تصاویر خواهد شد. تاکنون عکس ها و تصاویر در فیسبوک و اینستاگرام به کمک هشتگ ها و برچسب گذاری ها دسته بندی می شدند و این برچسب گذاری ها در مواردی به درستی صورت نمی گرفت ضمن اینکه بسیاری از تصاویر فاقد برچسب بودند و در نتیجه در دسته بندی های مختلف قرار نمی گرفتند. از سوی دیگر برچسب گذاری تصاویر کار نسبتا دشواری برای میلیون ها عکس خواهد بود. به همین دلیل فیسبوک تصمیم گرفت تا به کمک یادگیری عمیق و با نظارت محدود انسانی این دسته بندی ها را اعمال کند. امروزه الگوريتم ها و مدل هاي مختلف پژوهش هاي مبتني بر شبکه عصبي، جاي خود را در ميان طبقه بندي تصاوير به خوبي باز کرده اند. هدف اصلي اين الگوريتم ها اين است که در شبکه هاي مصنوعي، ماشين به شکلي آموزش ببيند که در نهايت تشخيصي نزديک مغز انسان داشته باشد. از بين انواع شبکه هاي عصبي، شبکه هاي عصبي کانالوشن (CNN) معمولا دقت خوبي را در طبقه بندي تصاوير ارائه مي کنند. یکی از کاربردهای مهم دسته بندی تصاویر، در دسته بندی محصولات غذایی می باشد که کاربردهای زیرا دارد:

  • کمک به مشتریان برای خرید سریع محصول
  • کمک به فروشندگان برای فروش سریع محصول
  • خودکار کردن عملیات خرید و فروش محصولات (حضوری – اینترنتی)
  • کاهش نیروی انسانی
  • صرفه جویی در زمان و هزینه
  • کاربرد چشم انداز کامپیوتر در خرده فروشی
  • سفارشی کردن تجربیات با استفاده از تشخیص چهره.
  • مدیریت راحتر محصولات

طبقه بندی با یادگیری عمیق ؟

از فناوری‌های یادگیری عمیق، شبکه‌های عصبی کانولوشن (CNNs)در زمینه تصاویر پزشکی، از محبوبیت بالاتری برخوردار هستند. بیشتر تکنولوژی‌های یادگیری عمیق مربوط به غربالگری سرطان، بر اساس CNNها می‌باشند. به‌کارگیری شبکه‌های عصبی کانولوشن از اواخر دهه 1970 آغاز شده و از سال 1995 به تجزیه و تحلیل تصاویر پزشکی اعمال شده است. یادگیری عمیق، یک روش جدید برای اعمال یادگیری ماشین است؛ زیرا براساس یادگیری داده‌هاست. شبکه‌های عصبی کانولوشن عمیق، یک نوع روش یادگیری عمیق می‌باشند که در آن فیلترها قابل تعویض هستند و عملیات ادغام بر روی تصاویر ورودی اعمال می‌شود و مجموعه‌ای سطح بالا از ویژگی‌ها را به‌صورت خودکار استخراج می‌کند. استخراج سطح بالای این ویژگی‌ها باعث می‌شود تا مفاهیم گسترده و پیچیده به مفاهیم ساده‌تری تقسیم شود که این مفاهیم ساده، ماشین را قادر به تصمیم‌گیری برای آنها می‌سازد و بدین‌ترتیب نیازی به نظارت کامل انسان برای مشخص‌کردن اطلاعات لازم ماشین در هر لحظه نیست. در یادگیری عمیق، ویژگی‌های غیرخطی چندین لایه استخراج می‌شوند و به یک دسته‌بند اعمال شده و آن هم این ویژگی‌ها را با هم ترکیب می‌کند تا بتواند یک پیش‌بینی انجام دهد. چالش های دسته بندی محصولات غذایی به شرح زیر است

  • تنوع محصولات
  • ویژگی های مهم تصاویر
  • شباهت محصولات
  • زمان پردازش تصویر
  • دقت دسته بندی و خسارت مالی
  • چرخش و تغییر اندازه محصولات

هدف از این پروژه عملی ؟

هدف از این پروژه عملی طبقه بندی محصولات غذایی با یادگیری عمیق است. این پروژه توانا در طبقه بندی محصولات غذایی از یک عکس دیجیتالی می‌باشد. در این پروژه طبقه بندی محصولات غذایی با استفاده از الگوریتم های شبکه عصبی و تکنیک های Deep Learning به سرعت عملیات یادگیری را انجام داده و پس از آن به راحتی و با سرعت بالا طبقه بندی محصولات غذایی مورد نظر را انجام می­ دهد. در این پروژه عملی طبقه بندی محصولات غذایی با یادگیری عمیق در پایتون انجام می شود که با فیلم آموزشی کامل روند طبقه بندی محصولات غذایی تشریح و پیاده سازی می شود. مجموعه های داده ای معرفی می شوند و عملیات آموزش و تست شبکه انجام می شود. خروجی های حاصل از طبقه بندی محصولات در تصویر روی هر یک از شبکه ها نشان داده می شود. پروژه قابلیت آموزش روی داده های دلخواه خودتان را دارد و می توانید عملیات طبقه بندی شی مورد نظر خود را با آن انجام دهید. بدون شک یکی از بهترین پروژه های عمیق برای طبقه بندی محصولات غذایی می باشد که با زبان فارسی و ساده و روان توضیح داده شده است. امیدواریم که این آموزش از “بیگ لرن” هم مثل سایر آموزش ها مورد تایید و رضایت شما مخاطبان گرامی قرار گیرد.

موارد موجود در این دوره آموزشی ؟

معرفی طبقه بندی محصولات غذایی و چالش ها و کاربردها ویدئو

خصوصی

معرفی شبکه عمیق کانولوشنی برای طبقه بندی محصولات غذایی ویدئو

خصوصی

معرفی مجموعه های داده ای استفاده شده ویدئو

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

پیاده سازی شبکه عمیق برای دسته بندی محصولات غذایی ویدئو

خصوصی

آموزش ایجاد لایه های عمیق ویدئو

خصوصی

آموزش ایجاد مدل باناظر عمیق ویدئو

خصوصی

تغییر ابعاد و نرمال سازی داده ها ویدئو

خصوصی

آموزش تنظیم پارامترهای مدل باناظر عمیق ویدئو

خصوصی

آموزش شبکه عمیق روی داده های آموزشی ویدئو

خصوصی

تعیین داده های اموزشی و تست ویدئو

خصوصی

آموزش شبکه عمیق روی داده های دلخواه ویدئو

خصوصی

پیاده سازی شبکه عمیق کانولوشنی برای طبقه بندی یک تصویر دلخواه ویدئو

خصوصی

ایجاد داده های مصنوعی برای افزایش داده ها و بهبود مدل عمیق ویدئو

خصوصی

ارزیابی و آموزشی مدل روی داده های مصنوعی ویدئو

خصوصی

نمایش خروجی ها شبکه و ارزیابی کارایی روی داده های اموزشی و تست ویدئو

خصوصی

رسم نمودار برای ارزیابی خطا و دقت شبکه روی داده های موجود و مصنوعی ویدئو

خصوصی

معرفی Google Colab برای اجرای پروژه پایتون روی GPU گوگل ویدئو

خصوصی

تشریح خط به خط کدها ویدئو

خصوصی

فیلم آموزشی کامل و سورس کدها فایل های ضمیمه

خصوصی

درخواست مشاوره

برای کسب اطلاعات بیشتر درباره این دوره درخواست مشاوره خود را ارسال کنید و یا با ما در تماس باشید.

درخواست مشاوره

نیاز به مشاوره دارید؟

در صورتی که نیاز به مشاوره دارید می توانید فرم را تکمیل نمایید و یا با ما در تماس باشید

درخواست مشاوره رایگان

moreدوره های مرتبط

آموزش کامل پردازش تصویر با پایتون

پردازش تصویر: بیش از ۹۰ درصد اطلاعات پیرامون ما به وسیله ی مشاهده صورت می پذیرد. با پیشرفت فناوری امکان…
70,000 تومان 35,000 تومان

طبقه بندی متن با یادگیری عمیق

طبقه بندی متن چیست؟ طبقه بندی خودکار متون از موارد کاربرد الگوریتم های یادگیری ماشینی در مبحث بازیابی اطلاعات میباشد…
90,000 تومان 35,000 تومان

رنگی سازی تصویر و فیلم با یادگیری عمیق

رنگی سازی تصاویر و فیلم ها ؟ پیش از ورود عکاسی به دنیای رنگ‌ها، تصاویر گرفته‌شده تنها در رنگ‌های سیاه…
100,000 تومان 35,000 تومان

بازسازی و رفع نویز تصاویر با یادگیری عمیق

حذف نویز از تصاویر ؟ کاهش نویز یک فرآیند حذف نویز از سینگال است‌.این سیگنال می‌تواند مربوط به یک تصویر،…
100,000 تومان 35,000 تومان

chat_bubble_outlineنظرات

  • یوسف( دانشجوی دوره )

    خدا قوت. کاش روی ویدئو هم انجام میشد.

  • rate( دانشجوی دوره )

    خوب بود. خیلی ممنون

  • rate( دانشجوی دوره )

    خیلی خوب بود. راضی بودم

  • سپهر

    خیلی عالی بود استاد. ممنون از زحماتتون

  • رعنا

    خیلی آموزش روان و مفیدی بود. تشکر

قوانین ثبت دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *