AI深度學習筆記
26公開內容
整理學習AI深度學習相關的筆記
全部內容
免費與付費
最新發佈優先
微調(Fine tune)是深度學習中遷移學習的一種方法，其中預訓練模型的權重會在新數據上進行訓練。
本文主要介紹如何使用新的訓練圖檔在tesseract 辨識模型進行Fine tune
有關於安裝的部分可以參考友人的其他文章
Tesseract OCR - 繁體中文【安裝篇】
將所有資料
平時都在用tesseract來辨識OCR的部分，在網路上也常常聽說easyOCR比tesseract好用，就拿之前測試的OCR素材來比較看看囉。
以下輸入同樣圖片直接測試，並非絕對誰就比較準，只單純測試數字含英文的部分。
圖片素材就是15碼(英文加數字)，檔名為OCR正確結果
本文將展示使用不同激活函數（ReLU 和 Sigmoid）的效果。
一個簡單的多層感知器（MLP）模型來對 Fashion-MNIST 資料集進行分類。
函數定義
Sigmoid 函數
Sigmoid 函數將輸入壓縮到 0到 1 之間：
特性：
輸出範圍是 (0,1)(0, 1)(0,1
本文主要介紹神經網路訓練辨識的過程，利用fashion_mnist及簡單的神經網路來進行分類。
使用只有兩層的神經網路來訓練辨識fashion_mnist資料。
本文主要應用deepface的正面（frontal）人臉檢測的預設模型，使用analyze 函數，用於分析一張人臉圖像的情感（emotion）。
在Colab上實現，若用其他平台需稍微修改程式碼。
Deepface
Deepface是一個輕量級的Python人臉辨識和臉部屬性分析
Google Tesseract Config說明，程式範例實際修改示範
前言
Tesseract 的 config 檔案用於指定 OCR 引擎的設定和參數。這些參數可以影響文本識別的結果
本文將彙整常用參數調整，並呈現不同參數出現不同的辨識結果
官網Tesseract OCR參數說明連結
使用Google Tesseract應用，擷取圖像的OCR並將讀取到的字元標註在原圖上
光學字元辨識功能 (Optical character recognition，光學字符辨識）
可以將影像中特徵範圍內的文本轉換為數字形式的文本。使用前必須安装Google Tesseract並更新
python Streamlit連動github程式碼實現YoloV8網頁版偵測物件
先致敬，YoloV8原作Github程式碼
Streamlit網頁 實現YoloV8 偵測物件
套用模型為YoloV8(YOLOv8n)最小模型，因github上傳檔案最大上限為25mb
導入圖像(搜尋街景
👍👍👍👍👍👍👍
