יסודות בינה מלאכותית : 04-RB27 – זיהוי אובייקטים ואימון מודל

מוסיקה עם בינה מלאכותית – הקצה של הקצה

תרגיל כיתה 1 יצירת מוסיקה עם בינה מלאכותית
קישור לתוכנה https://suno.com

כמה רחוק אפשר ללכת עם בינה מלאכותית ?

זכרו : בכל אימון מודל לזיהוי אובייקט יש לאמן את המודל \ הרשת לזהות גם אובייקטים דומים

למשל :

אם נרצה לאמן לזהות רחפן או קטב"ם צריך לאמן את הרשת לזהות עפיפון מסוק , מטוס ….

יש לאמן לזהות חלקי לגו דומים – בכך הרשת תוכל להבדיל

אם נרצה לאמן רשת לזהות חלק לגו – יש לאמן לזהות חלקי לגו דומים – בכך הרשת תוכל להבדיל

תרגיל כיתה : אימון בינה מלאכותית שלב 1

1.1 קישור לתוכנה לסימון תוויות עבור YOLO מודל : https://www.makesense.ai/

תרגיל כיתה 2

YOLO מודל

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 2

YOLO מודל

אימון רשת זיהוי טנק

2.1 נעבור על הקוד שלב אחרי שלב

סביבת קולאב COLAB : – YOLO מודל yolo

שלב 1 : התקנת הסיפריות (עושים פעם אחת בלבד בסביבת הפיתוח)

בסוף התקנת הספריות אם אין שגיעות נקבל הודעת DONE כלומר סיים להתקין

שימו לב : סיבבת הפיתוח הקבצים תראה כך לפני ההתקנה

אנחנו עובדים על ספריית CONTENT

שלב 2 : יצירת קובץ yaml

לאחר ההתקנה נקבל

ואפשר לראות את תוכן הקובץ – קליל כפול עם העכבר על שם הקובץ

חילוץ הקובץ מ RAR :

לאחר החילוץ RAR ולחיצה על TANK

שלב 3 : התקנת קבצי התמונות והתוויות – (labels) בסביבת – אימון

נתקין את התונות על יהיה העתקה או יבואו או הורדה לסביבית הפיתוח שנאמן את הבינה המלאכותית – חייב להיות מאוד מדוייק – טעות הכי קטנה וזה לא יעבוד . . סביבת האימון יכולה להיות COLAB או ANACONDA או אחר ?

………………………………………………………………………………………………

נוריד מ GOOGLE DRIVE קובץ RAR שמכיל תמונות ו LABELS במבנה הנכון – חובה מבנה נכון

חילוץ קובץ RAR

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

שלב 4 : אימון בינה מלאכותית מודל YOLO

יבוא ספריות , ויבוא המודל

נקבל את הספריות הבאות שימו לב על קובץ YOLOV8M.PT

אימון הבינה מלאכותית לפי קובץ YAML – זה המקום שהבינה מלאכותית לומדת

בסוף האימון של הבינה מלאכותית נקבל את הפלט הבא :

פעולת האימון של הבינה מלאכותית הסתיימה

מודל שלנו מאומן

שלב 5: בדיקה איך הבינה שלנו למדה ניתוח הליך הלימוד – נילמד בהמשך

שלב 6 : הרצה של קובץ של המודל שאומן

נחפש בתוך ספריית RUN את ה DETECT האחרון אם נרית כמה פעמים המספר יכול להשתנות של DETECT

נגדיר אובייקט PRE לפי המיקום של הקובץ BEST.PT

שימו לב : המיקום עשוי להשתנות בנתיב לפי שינוי בשם DETECT

ואז ניטען אותו – אפשר להעביר למחשבים אחרים או מיקרו מעבדים שונים

הרצה של הבינה מלאכותית – שורת קוד אחת בלבד ! כל השאר קוד פייתון

את התוצאה נקבל לתוך ספריה

קוד מתקדם יותר

https://colab.research.google.com/drive/1Iim5HYrT0wGJyEc6SHFkiZtkRmlLiv70#scrollTo=PQXWhPmU5NBk

%pip install ultralytics
import ultralytics
ultralytics.checks()
!pip install opencv-python-headless
print (" **** done **** ")

%pip install ultralytics

import ultralytics

ultralytics.checks()

!pip install opencv-python-headless

print (" **** done **** ")

!touch data.yaml
# Open a new file called data.yaml in write mode
with open('data.yaml', 'w') as file:
    # Write the specified content to the file
    file.write("""
train: /content/tanks/train
val: /content/tanks/val

nc: 4

names: ["tank", "car", "APC", "truck"]
""")

# Verify the content of the data.yaml file
with open('data.yaml', 'r') as file:
    print(file.read())

!touch data.yaml

# Open a new file called data.yaml in write mode

with open('data.yaml', 'w') as file:

# Write the specified content to the file

file.write("""

train: /content/tanks/train

val: /content/tanks/val

nc: 4

names: ["tank", "car", "APC", "truck"]

""")

# Verify the content of the data.yaml file

with open('data.yaml', 'r') as file:

print(file.read())

!apt-get install -y unrar

1	!apt-get install -y unrar

import os

from google.colab import files

# Upload the rar file
uploaded = files.upload()
# List the uploaded files
uploaded_files = list(uploaded.keys())
print(f'Uploaded files: {uploaded_files}')

# Assuming the rar file is the first (and only) uploaded file
rar_file = uploaded_files[0]

# Create a directory to extract the rar file
extract_dir = rar_file.replace('.rar', '')
os.makedirs(extract_dir, exist_ok=True)

# Extract the rar file
!unrar x {rar_file} {extract_dir}

# List the contents of the extracted directory
print(f'Contents of the extracted directory ({extract_dir}):')
print(os.listdir(extract_dir))

import os

from google.colab import files

# Upload the rar file

uploaded = files.upload()

# List the uploaded files

uploaded_files = list(uploaded.keys())

print(f'Uploaded files: {uploaded_files}')

# Assuming the rar file is the first (and only) uploaded file

rar_file = uploaded_files[0]

# Create a directory to extract the rar file

extract_dir = rar_file.replace('.rar', '')

os.makedirs(extract_dir, exist_ok=True)

# Extract the rar file

!unrar x {rar_file} {extract_dir}

# List the contents of the extracted directory

print(f'Contents of the extracted directory ({extract_dir}):')

print(os.listdir(extract_dir))

from ultralytics import YOLO
import ultralytics
print(ultralytics.__version__)

model=YOLO("yolov8m.pt")

from ultralytics import YOLO

import ultralytics

print(ultralytics.__version__)

model=YOLO("yolov8m.pt")

# train the a.i model to detect tanks

model.train(data="/content/data.yaml",batch=16, epochs=10)

# train the a.i model to detect tanks

model.train(data="/content/data.yaml",batch=16, epochs=10)

pre=YOLO("/content/runs/detect/train3/weights/best.pt")

1	pre=YOLO("/content/runs/detect/train3/weights/best.pt")

pre.predict("/content/tanks/val/images/tanks-dessert-79.jpg",save=True, conf=0.3)

1	pre.predict("/content/tanks/val/images/tanks-dessert-79.jpg",save=True, conf=0.3)

תרגיל כיתה 3 :

1.מטרה היכרות ראשונית של סביבית לימוד סביבת אנאקונדה – גוביפטר נודבוק (מקבילה לקולאב – מתחרה שלה) – לא להתבלב

2. תרגול קוד פייטון

# Program to read two numbers from user input, calculate their average, and print the larger number
# The result will be rounded to 2 decimal places

# Taking input for two numbers and converting to float
num1 = float(input("Enter the first number: "))
num2 = float(input("Enter the second number: "))

# Calculating the average and rounding to 2 decimal places
average = round((num1 + num2) / 2, 2)

# Printing the average
print(f"The average of {num1} and {num2} is: {average}")

# Checking which number is larger and rounding the comparison output
if round(num1, 2) > round(num2, 2):
    print(f"The larger number is: {round(num1, 2)}")
elif round(num2, 2) > round(num1, 2):
    print(f"The larger number is: {round(num2, 2)}")
else:
    print("Both numbers are equal.")

# Program to read two numbers from user input, calculate their average, and print the larger number

# The result will be rounded to 2 decimal places

# Taking input for two numbers and converting to float

num1 = float(input("Enter the first number: "))

num2 = float(input("Enter the second number: "))

# Calculating the average and rounding to 2 decimal places

average = round((num1 + num2) / 2, 2)

# Printing the average

print(f"The average of {num1} and {num2} is: {average}")

# Checking which number is larger and rounding the comparison output

if round(num1, 2) > round(num2, 2):

print(f"The larger number is: {round(num1, 2)}")

elif round(num2, 2) > round(num1, 2):

print(f"The larger number is: {round(num2, 2)}")

else:

print("Both numbers are equal.")

# List of items
items = ["drone", "kite", "plane", "helicopter"]

# Loop through each item in the list and print it
for item in items:
    print(item)

# List of items

items = ["drone", "kite", "plane", "helicopter"]

# Loop through each item in the list and print it

for item in items:

print(item)

# List of items correctly defined
items = ["drone", "kite", "plane", "uav", "helicopter"]

# Loop through each item in the list and print it
for item in items:
    if item == "drone":
        print("Alert: Drone found!")  # Special message if the item is "drone"
    print(f"{item} - Target is O.K.")  # Print this message for every item

# List of items correctly defined

items = ["drone", "kite", "plane", "uav", "helicopter"]

# Loop through each item in the list and print it

for item in items:

if item == "drone":

print("Alert: Drone found!") # Special message if the item is "drone"

print(f"{item} - Target is O.K.") # Print this message for every item

# List of items to loop through
items = ["drone", "kite", "plane", "helicopter"]

# Loop through the list and print the 2nd and 4th items
for index, item in enumerate(items):
    if index == 1 or index == 3:  # Python indexing starts at 0, so index 1 is the 2nd item, and index 3 is the 4th
        print(item)

# List of items to loop through

items = ["drone", "kite", "plane", "helicopter"]

# Loop through the list and print the 2nd and 4th items

for index, item in enumerate(items):

if index == 1 or index == 3: # Python indexing starts at 0, so index 1 is the 2nd item, and index 3 is the 4th

print(item)

תרגיל 3 OPENCV

נעבוד על התמונה :

התקנה של הספריות בפייטון

!pip install opencv-python
!pip install numpy
!pip install matplotlib
!pip install requests

!pip install opencv-python

!pip install numpy

!pip install matplotlib

!pip install requests

import cv2
import numpy as np
import matplotlib.pyplot as plt
import requests

# URL of the image
url = 'https://robotronix.co.il/wp-content/uploads/2024/06/Pasted-3-298x300.png'

# Fetch the image from the URL
resp = requests.get(url, stream=True).raw
image_array = np.asarray(bytearray(resp.read()), dtype=np.uint8)

# Decode the image as it's read in bytes
img = cv2.imdecode(image_array, cv2.IMREAD_COLOR)

# Convert the image from BGR (OpenCV default) to RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# Convert the image to Grayscale
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Display the images using Matplotlib
plt.figure(figsize=(10, 5))

# Display RGB Image
plt.subplot(1, 2, 1)
plt.imshow(img_rgb)
plt.title('RGB Image')
plt.axis('off')

# Display Grayscale Image
plt.subplot(1, 2, 2)
plt.imshow(img_gray, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

plt.show()

import cv2

import numpy as np

import matplotlib.pyplot as plt

import requests

# URL of the image

url = 'https://robotronix.co.il/wp-content/uploads/2024/06/Pasted-3-298x300.png'

# Fetch the image from the URL

resp = requests.get(url, stream=True).raw

image_array = np.asarray(bytearray(resp.read()), dtype=np.uint8)

# Decode the image as it's read in bytes

img = cv2.imdecode(image_array, cv2.IMREAD_COLOR)

# Convert the image from BGR (OpenCV default) to RGB

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# Convert the image to Grayscale

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Display the images using Matplotlib

plt.figure(figsize=(10, 5))

# Display RGB Image

plt.subplot(1, 2, 1)

plt.imshow(img_rgb)

plt.title('RGB Image')

plt.axis('off')

# Display Grayscale Image

plt.subplot(1, 2, 2)

plt.imshow(img_gray, cmap='gray')

plt.title('Grayscale Image')

plt.axis('off')

plt.show()

פילטרים :

import cv2
import numpy as np
import matplotlib.pyplot as plt
import requests

# URL of the image
url = 'https://robotronix.co.il/wp-content/uploads/2024/06/Pasted-3-298x300.png'

# Fetch the image from the URL
resp = requests.get(url, stream=True).raw
image_array = np.asarray(bytearray(resp.read()), dtype=np.uint8)

# Decode the image as it's read in bytes
img = cv2.imdecode(image_array, cv2.IMREAD_COLOR)

# Convert the image from BGR (OpenCV default) to RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# Convert the image to Grayscale
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Apply Gaussian Blur to smooth the image
img_blur = cv2.GaussianBlur(img_gray, (5, 5), 0)

# Apply the Canny filter to detect edges
img_canny = cv2.Canny(img_blur, 50, 150)

# Display the images using Matplotlib
plt.figure(figsize=(15, 5))

# Display RGB Image
plt.subplot(1, 3, 1)
plt.imshow(img_rgb)
plt.title('RGB Image')
plt.axis('off')

# Display Grayscale Image
plt.subplot(1, 3, 2)
plt.imshow(img_gray, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

# Display Canny Edge Image
plt.subplot(1, 3, 3)
plt.imshow(img_canny, cmap='gray')
plt.title('Canny Edge Detection')
plt.axis('off')

plt.show()

import cv2

import numpy as np

import matplotlib.pyplot as plt

import requests

# URL of the image

url = 'https://robotronix.co.il/wp-content/uploads/2024/06/Pasted-3-298x300.png'

# Fetch the image from the URL

resp = requests.get(url, stream=True).raw

image_array = np.asarray(bytearray(resp.read()), dtype=np.uint8)

# Decode the image as it's read in bytes

img = cv2.imdecode(image_array, cv2.IMREAD_COLOR)

# Convert the image from BGR (OpenCV default) to RGB

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# Convert the image to Grayscale

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Apply Gaussian Blur to smooth the image

img_blur = cv2.GaussianBlur(img_gray, (5, 5), 0)

# Apply the Canny filter to detect edges

img_canny = cv2.Canny(img_blur, 50, 150)

# Display the images using Matplotlib

plt.figure(figsize=(15, 5))

# Display RGB Image

plt.subplot(1, 3, 1)

plt.imshow(img_rgb)

plt.title('RGB Image')

plt.axis('off')

# Display Grayscale Image

plt.subplot(1, 3, 2)

plt.imshow(img_gray, cmap='gray')

plt.title('Grayscale Image')

plt.axis('off')

# Display Canny Edge Image

plt.subplot(1, 3, 3)

plt.imshow(img_canny, cmap='gray')

plt.title('Canny Edge Detection')

plt.axis('off')

plt.show()

מוסיקה עם בינה מלאכותית – הקצה של הקצה

קישור לתוכנה https://suno.com

תרגיל כיתה 2

סביבת קולאב COLAB : – YOLO מודל yolo

שלב 1 : התקנת הסיפריות (עושים פעם אחת בלבד בסביבת הפיתוח)

שימו לב : סיבבת הפיתוח הקבצים תראה כך לפני ההתקנה

שלב 2 : יצירת קובץ yaml

חילוץ הקובץ מ RAR :

שלב 3 : התקנת קבצי התמונות והתוויות – (labels) בסביבת – אימון

שלב 4 : אימון בינה מלאכותית מודל YOLO

פעולת האימון של הבינה מלאכותית הסתיימה

תרגיל כיתה 3 :

תרגיל 3 OPENCV

אולי תאהב/י גם

בינה מלאכותית אלקטורניקה

אבטחת איכות 27001 ISO

בינה מלאכותית : ניבוי מחיר מניה – כל הטעויות הנפוצות ?

כתיבת תגובה לבטל