- Taipei, Taiwan
- Taipei, Taiwan
-
-
Python | OpenCV 遷移學習與微調原理
📚 前言 在上一篇 模型選擇與訓練 的章節導覽中，我們了解了整體訓練流程。 這一篇先從最重要的基礎概念開始： 遷移學習與微調原理 (Transfer Learning & Fine-Tuning) 。 理解這些原理，才能在實際訓練時做出正確的決策，例如「要凍結幾層？」、...
-
Python | OpenCV 模型選擇與訓練
📚 前言 在上一篇 資料標註 中，我們完成了訓練資料的標註工作。 接下來進入訓練的核心： 模型選擇與訓練 (Model Selection & Training) 。 從零開始訓練一個深度學習模型需要龐大的資料量與運算資源，在大多數情況下並不現實。 更實際的做法是 遷...
-
Python | OpenCV 資料標註
📚 前言 在上一篇 資料蒐集 中，我們蒐集好了訓練所需的圖片。 接下來要進行的是 資料標註 (Data Annotation) ，也就是為每張圖片建立「正確答案」，讓模型知道圖片裡有什麼。 標註的品質直接影響模型的學習成效，錯誤或不一致的標註會讓模型學到錯誤的規則。 ...
-
Python | OpenCV 資料蒐集
📚 前言 在上一篇 模型訓練與微調 中，我們了解了整個訓練流程的概觀。 訓練的第一步，也是最重要的基礎，就是 資料蒐集 (Data Collection) 。 「垃圾進，垃圾出 (Garbage in, garbage out)」是機器學習不變的定律。 資料的數量與品質，直接...
-
Python | OpenCV 模型訓練與微調
📚 前言 在前一篇 與深度學習框架整合 中，我們學會載入預訓練模型並進行推論。然而，預訓練模型是以通用資料集訓練而成，面對特定場景（如特定商品辨識、工廠瑕疵檢測、客製化物件偵測）往往準確度不足。 這時就需要進入 模型訓練與微調 (Model Training & Fi...
-
Python | OpenCV 與深度學習框架整合
📚 前言 在前一篇我們學會了 多物件偵測與追蹤 (YOLO + DeepSORT) ，這是偏向「應用層」的做法，直接利用 OpenCV 的 DNN 模組載入模型並完成任務。 然而，若要進一步開發專案或研究，就需要更高的彈性與可擴充性。 整合 PyTorch 或 TensorFl...
-
Python | OpenCV 多物件偵測與追蹤
📚 前言 在前一篇我們學會了 物件分類與定位 。 這一篇要進一步介紹 多物件偵測與追蹤 (Multi-Object Detection & Tracking) 。 偵測是同時找到多個物件的位置，追蹤則是持續更新它們的移動並維持 ID。這是進入智慧監控與交通分析的重要技術。 ...
-
Python | OpenCV 物件分類與定位
📚 前言 在前一篇我們學會了 人臉偵測與追蹤 。 這一篇要進一步介紹 物件分類與定位 (Object Classification & Localization) 。 分類是判斷「這是什麼物件」，定位則是標記「它在哪裡」。這是進入多物件偵測與追蹤之前的重要基礎。 🎨 ...
-
Python | OpenCV 人臉偵測與追蹤
📚 前言 在前一篇我們學會了 即時馬賽克與模糊處理 。 這一篇要進一步介紹 人臉偵測與追蹤 ，並且提供三種常見方式： Haar Cascades LBP Cascades DNN (深度學習模型) 🎨 範例圖片/影片 這裡我們使用 Pexels 提供的免...
-
Python | OpenCV 即時馬賽克與模糊處理
📚 前言 在前一篇我們學會了 圖片與影片即時標記與繪圖 。 這一篇要進一步介紹 即時馬賽克與模糊處理 ，並結合滑鼠事件互動。 透過這項技術，我們可以在圖片或影片中框選區域，並即時套用馬賽克或模糊效果，常用於隱私保護、教學影片或監控系統。 🔎 原理說明 馬賽克 (Mos...