鐵人檔案
本次挑戰要完成如何用 YOLO 來對觀賞魚進行辨識的全端實作，包含後端 API，後端模型訓練以及前端手機開發，讓使用者可以透過手機上傳一個圖片來完成觀賞魚的辨識。全部的開發環境會在 AWS 中完成，目前暫定用 EC2 來進行訓練以及預測，如果可以，會希望用 AWS SageMaker來完成，已達到無服務器的理想。
將影片轉換成圖片 － Day 11 今天要完成的工作是將搜集到的影片或是照片轉換成 YOLOV3 可以接受的格式，所以要完成的工作如下： 建立目錄結構 安裝需...
標籤圖片的方法與實作 － Day 12 資料增量 (Data Augmentation) 的部份因為 YOLOV3 可以透過 cfg 檔的設定來自動進行資料增量...
Day 13 - 半自動標籤圖片的方法與實作 以下介紹一個自製的簡易的半自動標籤圖片的作法，主要是因為手動標籤真的很麻煩，於是上網找了一些文章，有一篇文章 Im...
Day 14 - 安裝與執行 YOLO 在 介紹影像辨識的處理流程 － Day 10 有提到 YOLO 模型是由 Joseph Redmon 所提出，而到了 Y...
Day 15 - 說明 YOLO 相關設定 先前在 介紹影像辨識的處理流程 － Day 10 有提到，整個影像辨識的流程如下： 取得數據集。 將影片轉換成圖片...
Day 16 - 進行影像辨識訓練 在進行訓練的過程中，我們可能因為某些關係而中斷訓練，可能是網路斷線或是電腦斷電等問題，這時候我們可以用以下指令重新開始訓練，...
Day 17 - YOLO 相關概念說明 如果不說明一下 YOLO 的運作概念，對於如何調整 YOLO 參數將會是一籌莫展，所以今天就來說明一下影像辨識的基礎概...
Day 18 - 深入討論 YOLO 相關設定 今天來分析 Joseph Redmon 所設計的 YOLOV3 的設定檔，裡面會看到他是如何設計整個卷積網路結構...
Day 19 - 安裝 AlexeyAB/darknet ON Amazon Linux 2 今天的任務案安裝 AlexeyAB/darknet 版本的 YOL...
Day 20 - 重新檢視 mAP, F1, IoU, Precision-Recall 精準度 AlexeyAB/darknet 版本的 YOLO 最被稱羨的...