鐵人檔案
在 AI 快速發展的時代，影像辨識已經被廣泛應用在生活中的各種場景，但一張圖片究竟是如何被電腦「看懂」的呢？
這個系列將用 30 天的時間，從最基礎的 Pixel、影像組成與影像前處理開始，一步步認識 Computer Vision 與影像辨識的核心概念，並透過 Python 與實際資料集進行操作，逐漸進入模型建立、訓練與結果評估。
希望透過這 30 天，記錄自己從基礎到實作的學習過程，也讓第一次接觸影像辨識的人，可以一起了解 AI 究竟是怎麼從一張圖片中學會「看」的。
我們每天都在「看」圖片，看到一張照片時，我們幾乎不需要思考，就可以知道照片裡有沒有人、這是什麼東西、物體大概位於哪裡。例如看到一張狗的照片，我們很自然就會說：「...
上一篇我們簡單認識了 Computer Vision，也知道接下來會慢慢開始接觸圖片處理與 AI 模型，不過在真正開始之前，我們需要先準備一個可以寫程式、處理圖...
上一篇我們準備好了 Google Colab，接下來終於可以開始接觸圖片了，當我們看到一張皮膚病灶照片時，可以直接看出它的顏色、形狀、大小，但對電腦來說，一張圖...
上一篇我們實際從 HAM10000 中讀取了一張皮膚病灶圖片，並發現它的 Shape 是(450, 600, 3)其中 450 是圖片的 Height、600...
前幾天我們認識了 Pixel、RGB 與 Channel，也知道對電腦來說，一張圖片其實就是由大量數值組成的資料但在真正把圖片交給模型之前，通常還需要先經過一些...
上一篇我們實際使用 Python 對圖片進行讀取、縮放與裁切，但圖片調整好大小之後，就可以直接丟進模型了嗎？ 我們前面提過，一張彩色圖片中的每個 Pixel，都...
前幾天我們都是從 HAM10000 中拿出其中一張圖片，練習 Pixel、RGB、Resize 和 Image Preprocessing，但如果接下來真的要拿...
上一篇在探索 HAM10000 時，我們發現了一個很明顯的問題：7 種病灶類別的圖片數量並不平均，其中有些類別擁有數千張圖片，有些類別卻只有幾百張。這也代表模型...
上一篇我們發現 HAM10000 存在明顯的 Class Imbalance，也認識了幾種可能的處理方式，不過在真正開始訓練模型之前，還有一件非常重要的事情要做...
前面幾天，我們已經把資料準備得差不多了，從認識 HAM10000、觀察 Class Imbalance，到把資料分成 Train、Validation 和 Te...
