ПРЕДИКТОР ДОРОЖНЫХ ЗНАКОВ
Этот проект представляет собой проект глубокого обучения, который классифицирует дорожные знаки на основе наборов данных, с которыми он был обучен. Этот проект представляет собой проект глубокого обучения, который изображает реальные жизненные ситуации, которыеявляются обучением.Например, перед предстоящим тестом вы всегда убедитесь, что вы учитесь, чтобы получить наилучшие возможные оценки.Студенты учатся для тесты, но забавно то, что не все студенты получают наилучшие возможные оценки. Некоторые учатся хорошо, в то время как другие терпят неудачу, и обычно те, кто не справляется, могут засвидетельствовать себе, что они недостаточно учились или не смогли охватить некоторые части темы. . Эта ситуация также относится к приложениям глубокого обучения. Приложения обучаются с использованием определенного набора данных, и приложение может не работать, если оно было протестировано с использованием другого набора данных.
В этом проекте для обучения этой модели использовались 43 различных класса дорожных знаков. Наборы данных были получены из онлайн-источника (kaggle), который имеет различные источники наборов данных для разных моделей глубокого обучения.
Этот проект предназначен для людей, заинтересованных в самостоятельном вождении автомобилей и глубоком обучении.
Я смотрел видео с другом на автомобиле Tesla в режиме самостоятельного вождения и заметил, что машина остановилась, подъехав к дорожному знаку "Стоп", и смог ускоряться, когда он попадает в место с другим диапазоном скорости. Поэтому я сказал своему другу: «Программа, стоящая за этой технологией, сумасшедшая». Позже я узнал, что она основана на компьютерное зрение ,глубокое обучение,машинное обучение и другие передовые технологии.Я решил работать над аналогичными проектами в будущее, что привело меня к этому сообщению в блоге.
Этот проект основан на классификации. Способность приложения определять конкретный дорожный знак на основе наборов данных, с которыми оно было обучено.
Рабочий процесс проекта в основном показан на диаграмме ниже.
Это простой поток приложения.
Языки, используемые для этого проекта, — это Python, а технологии, лежащие в основе этого, — это также технологии Python Deep и машинного обучения.
Для фронтенда использовался базовый HTML, CSS и JS, а для бэкенда — python (flask).
Некоторые из пакетов для этого проекта очень большие, и их загрузка заняла некоторое время, например, tensorflow, scikit-learn, но это сделало процесс стоящим.
Внешнее приложение в основном создавалось с использованием бутстрапа.
Ямногому научился во время этого проекта, и я рад получить аналогичный опыт в будущем моего путешествия в области разработки программного обеспечения.
Меня зовут Бенджамин Куби, я изучаю программную инженерию в ALX.
Этот проект и запись в блоге будут обновляться время от времени.
Вот несколько ссылок на проект.
