Bu repo, bilgisayarlı görü üzerine çeşitli konuları içeren projeleri ve uygulamaları kapsamaktadır. Yapay zeka teknikleriyle, bilgisayarlı görü alanındaki çeşitli görevleri çözmek için TensorFlow, Keras, OpenCV gibi araçlar kullanılmıştır. Her klasör, belirli bir konu başlığını ve o konuya ait projeleri içerir.
- Introduction to Computer Vision
- Keras Callbacks API
- Fire Detection
- Hyperparameter Tuning
- OpenCV DNN
- Keras OCR
- MediaPipe
- Autoencoder
Bu bölüm, bilgisayarlı görüye giriş niteliğinde olup, temel sınıflandırma modelleri ve çeşitli veri setleri ile çalışmayı kapsamaktadır.
- Datasets: Farklı veri setleri ile deneyler yapmayı içerir (ör. kedi-köpek sınıflandırma).
- Models: Önceden eğitilmiş modellerle sınıflandırma işlemleri.
| Model | Prediction | Confidence |
|---|---|---|
| ResNet50 | cabbage_butterfly | 0.782488 |
| VGG16 | cabbage_butterfly | 0.83566654 |
| VGG19 | cabbage_butterfly | 0.9452888 |
- Data Augmentation: Görüntülerin çeşitli tekniklerle çoğaltılması ve bu görüntüler üzerinde model eğitimi yapılması.
Bu bölümde, Keras'ın Callback fonksiyonlarını kullanarak model eğitimi esnasında çeşitli işlemleri nasıl otomatikleştirebileceğinizi öğrenirsiniz. TensorBoard ile eğitim sürecini görselleştirmek için loglar tutulmaktadır.
- Logs: Eğitim ve doğrulama verileri ile TensorBoard logları.
- Models: Eğitim sırasında elde edilen modeller.
Bu proje, yangın tespiti için derin öğrenme modellerinin kullanılmasını içerir. Veriler, yangın ve yangın olmayan görüntüler şeklinde sınıflandırılarak model eğitimi gerçekleştirilmiştir.
- Dataset: Yangın ve normal durumlar için eğitim ve doğrulama verileri.
- Models: Eğitim sonucu elde edilen yangın tespit modelleri.
- Results: Model sonuçları ve performans raporları.
- Test: Test verileri üzerinde denemeler.
Bu bölüm, model performansını iyileştirmek için hiperparametre optimizasyonu üzerine odaklanmaktadır. Hiperparametre ayarlarının farklı denemeler ile optimize edilmesi hedeflenmiştir.
- Datasets: Kedi-köpek veri seti kullanılarak yapılan eğitim ve test verileri.
- Models: Hiperparametre ayarları ile optimize edilmiş modeller.
- Parameter Tuning: Farklı hiperparametre denemeleri (trial_0, trial_1, trial_2).
Bu klasör, OpenCV'nin Derin Sinir Ağı (DNN) modülünü kullanarak görüntü ve video verilerinin analiz edilmesi üzerine odaklanmaktadır. Sınıflandırma, nesne tespiti, derinlik tahmini gibi konular ele alınmıştır.
- Classification: Görüntü sınıflandırma işlemleri.
- Object Detection: Görüntü ve videolarda nesne tespiti.
- Depth Estimation: Derinlik tahmini modelleri.
- Face Detection: Yüz tespiti ve analizi.
Bu projede, Keras kullanarak optik karakter tanıma (OCR) işlemleri gerçekleştirilmiştir. Görüntülerdeki metinleri tanımak ve çıkartmak için eğitimli modeller kullanılmıştır.
Google'ın geliştirdiği MediaPipe kütüphanesi kullanılarak, görüntü işleme ve bilgisayarlı görü uygulamaları gerçekleştirilmiştir. Bu kütüphane, el ve yüz takibi gibi çeşitli görevlerde kullanılmıştır.
Bu bölüm, otomatik kodlayıcılar (autoencoder) kullanarak veri sıkıştırma ve veri temsili öğrenme konularını kapsamaktadır. Otomatik kodlayıcılar, görüntülerin boyutunu küçültmek veya gürültüyü gidermek amacıyla kullanılır.
Projeyi klonladıktan sonra gerekli Python paketlerini kurmak için:
git clone https://github.com/kullanici/yapay_zeka_bilgisayarli_goru.git
cd yapay_zeka_bilgisayarli_goru
pip install -r requirements.txt
Bu proje, Udemy'deki "Görsel Analiz: Yapay Zeka ile Bilgisayarla Görü" kursundan alınan içeriklere dayanmaktadır. Bu eğitimi hazırlayan eğitmenlere ve katkıda bulunan herkese teşekkür ederim. Görsel analiz alanındaki bilgi ve becerilerimi geliştirmeme yardımcı oldular.