欢迎购买学习《Android和IOS应用集成和训练自定义目标物体检测模型视频教程》课程,你将学习在 Android 中集成对象检测模型(如 YOLO)并为 Android 和 IOS 训练自定义对象检测模型。
发表于 2022 年 10 月
MP4 | 视频:h264, 1280×720 | 音频:AAC,44.1 KHz,2 Ch
类型:eLearning | 语言:英语 | 时长:108 节课(8h 34m)| 大小:6.3 GB
你会学到什么
- 在 Android 和 IOS 的自定义数据集上训练对象检测模型
- 测试和优化经过训练的目标检测模型
- 在 Android 中使用带有图像的对象检测模型
- 在 Android 中使用带有实时摄像头画面的对象检测模型
- 为训练对象检测模型收集和注释数据集
- 使用 Android 中的 YOLO 模型与图像和实时摄像机镜头
- 在 Android 中使用 SSD Mobilenet 模型与图像和实时摄像机镜头
- 在 Android 中使用 Efficient Det 模型与图像和实时摄像机镜头
- 将对象检测模型转换为 tflite 格式
- 了解对象检测及其应用
- 了解 Android 中的 tflite (TensorFlow lite) 模型集成
要求
有一些Android App开发的基本知识将是一个加分项
描述
如果您想为 Android 和 iOS 训练自定义对象检测模型,欢迎参加本课程。
在本课程中,您将学习
- 为 Android 和 IOS 训练您的自定义对象检测模型
- 在 Android (Java/Kotlin) 中使用这些模型与图像和实时摄像机镜头
- 在 Android (Java/Kotlin) 中使用现有的对象检测模型,如 YOLO、EfficientDet 和 MobileNet 模型
本课程的 android 应用程序开发部分适用于 java 和 kotlin 编程语言。
因此,完成本课程后,您将能够
- 收集用于训练对象检测模型的数据集
- 使用不同的工具注释数据集
- 在 Android 和 IOS 的自定义数据集上训练对象检测模型
- 将对象检测模型转换为 tflite (Tensorflow lite) 格式
- 在 Android (Java/Kotlin) 中使用这些转换后的模型与图像和实时摄像机镜头
- 在 Android (Java/Kotlin) 中使用现有的对象检测模型,例如 YOLO v4、SSD EfficientDet 模型和 SSD MobileNet 模型
准备使用资源
该课程附带现成的代码,这意味着如果您有训练有素的对象检测模型,那么
- 您可以从课程资源中获取完整的 android (Java/Kotlin) 应用程序代码
- 用您的自定义模型替换对象检测模型
- 并将其用于您的自定义用例
如果您想将 Android 中现有的对象检测模型用于您的自定义用例,那么您可以从课程资源中获取完整的 android (Java/Kotlin) 应用程序代码并根据您的需要进行定制。
对IOS 开发者有什么用?
所以除了 Android,如果你想为 IOS 应用程序训练自定义对象检测模型,那么你也可以参加本课程,但本课程不包括在 IOS 应用程序中集成对象检测模型
物体检测
对象检测是一种计算机视觉技术,它使我们能够识别和定位图像或视频中的对象。
用例和应用程序
视频监控
人群计数
异常检测(即在农业和医疗保健等行业)
自动驾驶汽车
课程设置
课程分为几个部分
数据收集和注释
在本节中,我们将介绍数据集收集和注释的基础知识,然后
我们将学习收集数据集以训练对象检测模型
之后,我们将学习使用 Roboflow 和其他此类工具注释该数据集
训练对象检测模型
我们将学习使用我们收集和注释的数据集来训练对象检测模型。
测试和转换
训练模型后,我们将对其进行测试以检查模型性能和准确性
然后我们将它转换成 tflite (Tensorflow lite) 格式,以便我们可以在移动应用程序中使用它。
安卓应用开发
在模型训练和转换之后,我们将学习在 Android 应用程序 (Java/Kotlin) 中使用该模型
图片
现场摄像机镜头
图像对象检测
因此,首先我们将构建一个 Android (Java/Kotlin) 应用程序,其中
用户可以从图库中选择图像或使用相机拍摄图像
然后这些图像将传递给我们的自定义对象检测模型
然后根据模型返回的结果,我们将在检测到的对象周围绘制矩形。
使用实时摄像机镜头进行对象检测
其次,我们将构建一个 Android (Java/Kotlin) 应用程序,其中
我们将使用摄像机 2 API 显示实时摄像机镜头
然后我们将实时摄像机画面的帧传递给我们的对象检测模型
并在检测到的对象周围实时绘制矩形
现有的物体检测模型
我们将学习在 Android (Java/Kotlin) 应用程序中使用现有的对象检测模型,包括图像和实时摄像机镜头。
因此,在该部分中,我们探索了三个流行的对象检测模型系列,并在 Android(Java/Kotlin)应用程序中使用它们。
- SSD MobileNet 模型
- 高效的 IT 模型
- YOLO 模型
- SSD MobileNet 模型
在本节中,我们将学习在 Android (Java/Kotlin) 中使用 SSD MobileNet 模型以及图像和实时摄像机镜头。
首先我们将了解 MobileNet 模型的结构,然后我们将使用 Android(Java/Kotlin)中两个流行的 MobileNet 模型,它们是
- SSD MobileNet V1
- SSD MobileNet v3
- 高效的 IT 模型
在本节中,我们将学习在 Android (Java/Kotlin) 中使用 EfficientDet 模型来处理图像和实时摄像机镜头。
首先我们将了解 EfficientDet 模型的结构,然后我们将使用 Android(Java/Kotlin)中两个流行的 EfficientDet 模型,它们是
- EfficientDet Lite0
- EfficientDet Lite1
- EfficientDet Lite2
- EfficientDet Lite3
- YOLO 模型
在本节中,我们将学习在 Android (Java/Kotlin) 中使用最新的 YOLO V4 模型以及图像和实时摄像机镜头。我们还将介绍 YOLO 模型结构以及如何在 YOLO 中有效地处理输入和输出。除此之外,我们将处理 Android 中常规 YOLO V4 模型和微型 YOLO v4 模型与图像和实时摄像机镜头的集成。
本课程适用于谁
- 有人想训练自定义对象检测模型并构建移动应用程序
- Android 开发人员希望构建基于智能机器学习的 Android 应用程序
- IOS 开发者希望为 IOS 应用程序训练自定义对象检测模型(本课程不包括 IOS 模型集成)
- 具备 Android 应用开发基础知识并希望构建基于智能机器学习的 Android 应用程序的学生
- 想要学习在 Android 中使用现有对象检测模型(YOLO、EfficientDet、mobileNet)的学生
- 机器学习工程师希望在 Android 中使用他们现有的对象检测模型