יסודות בינה מלאכותית : 02-RB27 – מבוא ל YOLO – זיהוי אובייקטים

תרגול פייתון :

1.1 פתח את הקולאב – https://colab.research.google.com/

2. הרץ את התוכנית הבאה

import matplotlib.pyplot as plt

# Data to plot
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# Create the plot
plt.plot(x, y)

# Add labels and title
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Simple Plot in Colab')

# Display the plot
plt.show()

import matplotlib.pyplot as plt

# Data to plot

x = [1, 2, 3, 4, 5]

y = [2, 3, 5, 7, 11]

# Create the plot

plt.plot(x, y)

# Add labels and title

plt.xlabel('X axis')

plt.ylabel('Y axis')

plt.title('Simple Plot in Colab')

# Display the plot

plt.show()

2.1

import matplotlib.pyplot as plt
# Data to plot
x = [1, 2, 3, 4, 5]
y1 = [2, 3, 5, 7, 11]  # First line data
y2 = [1, 4, 6, 8, 10]  # Second line data
# Create the plot
plt.plot(x, y1, label="Line 1")  # Plot first line
plt.plot(x, y2, label="Line 2", linestyle='–')  # Plot second line (with a different style)
# Add labels and title
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Simple Plot with Two Lines')
# Add a legend to differentiate the lines
plt.legend()
# Display the plot
plt.show()

3.LOOP FOR הרץ אאת התוכנית הבא :

# Define a list of objects
results = ["car", "people", "truck", "bicycle", "motorcycle"]

# Iterate over the list and print each object
for result in results:
    print(result)

# Define a list of objects

results = ["car", "people", "truck", "bicycle", "motorcycle"]

# Iterate over the list and print each object

for result in results:

print(result)

3.2 לולאת FOR

# Define a list of objects
results = ["car", "people", "truck", "bicycle", "motorcycle"]

# Iterate over the list and print only if the object is "car"
for result in results:
    if result == "car":
        print(result)

# Define a list of objects

results = ["car", "people", "truck", "bicycle", "motorcycle"]

# Iterate over the list and print only if the object is "car"

for result in results:

if result == "car":

print(result)

4. בנה בעזרת בינה מלאכותית תוכנה בפייטון המציגה את הפונציה Y=2X^3 + 2 ואת הנגזרת שלה על גרף

4.1 הרץ את הקוד בקולאב

6. זיהוי אובייקטים בעזרת תוכנה YOLO

# Install YOLOv8 from Ultralytics
!pip install ultralytics

# Import necessary libraries
from ultralytics import YOLO
from PIL import Image
import requests
from io import BytesIO
import matplotlib.pyplot as plt

# Load pre-trained YOLOv8 model (YOLOv8s is small and fast)
model = YOLO('yolov8s.pt')  # yolov8s.pt is the small model trained on COCO dataset

# Download the image from the provided URL
img_url = 'https://robotronix.co.il/wp-content/uploads/2024/06/image-12.png'
response = requests.get(img_url)
img = Image.open(BytesIO(response.content))

# Perform detection on the image
results = model(img)

# Display the results (show detected objects on the image)
# Use .plot() to visualize results for each result in the results list
for result in results:
    result_img = result.plot()  # This plots the detections on the image

    # Display the image with detections
    plt.imshow(result_img)
    plt.axis('off')  # Hide axes
    plt.show()

# Print the detection results (bounding boxes, labels, and confidence scores)
print(results[0].boxes.xyxy)  # Bounding box coordinates
print(results[0].boxes.cls)   # Class IDs
print(results[0].boxes.conf)  # Confidence scores

# Install YOLOv8 from Ultralytics

!pip install ultralytics

# Import necessary libraries

from ultralytics import YOLO

from PIL import Image

import requests

from io import BytesIO

import matplotlib.pyplot as plt

# Load pre-trained YOLOv8 model (YOLOv8s is small and fast)

model = YOLO('yolov8s.pt') # yolov8s.pt is the small model trained on COCO dataset

# Download the image from the provided URL

img_url = 'https://robotronix.co.il/wp-content/uploads/2024/06/image-12.png'

response = requests.get(img_url)

img = Image.open(BytesIO(response.content))

# Perform detection on the image

results = model(img)

# Display the results (show detected objects on the image)

# Use .plot() to visualize results for each result in the results list

for result in results:

result_img = result.plot() # This plots the detections on the image

# Display the image with detections

plt.imshow(result_img)

plt.axis('off') # Hide axes

plt.show()

# Print the detection results (bounding boxes, labels, and confidence scores)

print(results[0].boxes.xyxy) # Bounding box coordinates

print(results[0].boxes.cls) # Class IDs

print(results[0].boxes.conf) # Confidence scores

5. כמה מכוניות יש בכביש

# Install YOLOv8 from Ultralytics
!pip install ultralytics

# Import necessary libraries
from ultralytics import YOLO
from PIL import Image
import requests
from io import BytesIO
import matplotlib.pyplot as plt

# Load pre-trained YOLOv8 model (YOLOv8s is small and fast)
model = YOLO('yolov8s.pt')  # yolov8s.pt is the small model trained on COCO dataset

# Download the image from the provided URL
img_url = 'https://robotronix.co.il/wp-content/uploads/2024/06/image-12.png'
response = requests.get(img_url)
img = Image.open(BytesIO(response.content))

# Perform detection on the image
results = model(img)

# Class names for the COCO dataset (80 classes)
class_names = model.names

# Count the number of cars detected (class id for 'car' is usually 2 in COCO)
car_count = 0

for result in results:
    # Get the class IDs of detected objects
    detected_classes = result.boxes.cls

    # Count how many times 'car' (class ID 2) is detected
    car_count += int((detected_classes == 2).sum())

# Output the number of cars detected
print(f"Number of cars detected: {car_count}")

# Display the results (show detected objects on the image)
for result in results:
    result_img = result.plot()  # Plot detections on the image

    # Display the image with detections
    plt.imshow(result_img)
    plt.axis('off')  # Hide axes
    plt.show()

# Install YOLOv8 from Ultralytics

!pip install ultralytics

# Import necessary libraries

from ultralytics import YOLO

from PIL import Image

import requests

from io import BytesIO

import matplotlib.pyplot as plt

# Load pre-trained YOLOv8 model (YOLOv8s is small and fast)

model = YOLO('yolov8s.pt') # yolov8s.pt is the small model trained on COCO dataset

# Download the image from the provided URL

img_url = 'https://robotronix.co.il/wp-content/uploads/2024/06/image-12.png'

response = requests.get(img_url)

img = Image.open(BytesIO(response.content))

# Perform detection on the image

results = model(img)

# Class names for the COCO dataset (80 classes)

class_names = model.names

# Count the number of cars detected (class id for 'car' is usually 2 in COCO)

car_count = 0

for result in results:

# Get the class IDs of detected objects

detected_classes = result.boxes.cls

# Count how many times 'car' (class ID 2) is detected

car_count += int((detected_classes == 2).sum())

# Output the number of cars detected

print(f"Number of cars detected: {car_count}")

# Display the results (show detected objects on the image)

for result in results:

result_img = result.plot() # Plot detections on the image

# Display the image with detections

plt.imshow(result_img)

plt.axis('off') # Hide axes

plt.show()

6.בדוק כמה מכוניות יש עבור התמונה הבאה :

7. שנה את הקוד בעזרת בינה מלאכותית שאם יש יותר מ 20 מוכניות הכביש עמוס , אם יש פחות הכביש פתוח

8 בנה תוכנה ב YOLO שבודקת מה יש בתמונה הבאה

10.השץמש ב CHAT GPT

4.1 לרחפן חילוץ נידרש תאורה או לטיסה בלילה בתוך מבנה לסריקה

במבנה לא קיים חשמל בכלל

4.1 העזר בבינה מלאכותית למציאת פתרון הבעיה

4.2 מה זה LUX בהקשר בתאורה

4.3 כמה LUX דרוש להאיר 3 מטר קדימה בחושך מלא עבור רחפן ואיזה זווית מומץ לעדשה

4.4 חפש ציוד מתאים באלי אקספרס העזר בבינה מלאכותית – שים לבלב שהרחפן מסוגל לשאת עד 0.2 ק"ג כלומר 200 גרם

canva

תרגיל כיתה 1 – הפקת סירטוני אנימציה ב CANVA

צור בעזרת תוכנת CANVA אנימציה
העזר בסרטון הדרכ שהוא 3 דקות + , שלב אחרי שלב

תרגיל כיתה 2 – הפקת סירטוני אנימציה ב CANVA

אימון בינה מלאכותית – זיהוי אובייקטים

תרגיל כיתה 3

יש לעבוד לפי הסרטון שלב אחרי שלב .
הסרטון הוא המשך של הרצאה RB23-09 RB23-08 שם מוספר שלב אחרי שלב של התקנת הסביבה פיתוח , תוספים

תרגיל כיתה 4

אימון רשת זיהוי טנק

https://colab.research.google.com/gist/RoboWild/19deff31306d95d2e315a9e1d331f156/yolo-train.ipynb

יסודות בינה מלאכותית : 03-RB27 – מבוא ל YOLO – זיהוי אובייקטים

תרגיל כיתה 1 – הפקת סירטוני אנימציה ב CANVA

תרגיל כיתה 2 – הפקת סירטוני אנימציה ב CANVA

אימון בינה מלאכותית – זיהוי אובייקטים

כתיבת תגובה לבטל

תרגיל כיתה 1 – הפקת סירטוני אנימציה ב CANVA

תרגיל כיתה 2 – הפקת סירטוני אנימציה ב CANVA

אימון בינה מלאכותית – זיהוי אובייקטים

אולי תאהב/י גם

קורס יסודות בינה מלאוכתית – תרגיל RB23-07t

לימוד ארדואינו – שימוש באקסלומטר וגיירוסקופ – GY-521

היתרונות של לימוד תכנות בגיל צעיר כוללים: ( חוג רובוטיקה)

כתיבת תגובה לבטל