- Taipei, Taiwan
- Taipei, Taiwan
-
-
Python | OpenCV YOLOv8 資料集準備
📚 前言 在上一篇 YOLOv8 介紹與環境安裝 中，我們完成了環境設定並測試了預訓練模型。 這一篇進入自訓練的第一步： 準備自己的資料集 。 完整流程如下： 1 2 3 4 5 6 7 8 9 ① 蒐集圖片 ...
-
Python | OpenCV YOLOv8 介紹與環境安裝
📚 前言 在上一篇 TensorFlow/Keras 微調範例 中，我們學會了圖片分類任務的微調方式。 但如果你的目標是「 在圖片中找出物件的位置 」，也就是物件偵測任務，就需要不同的模型與訓練方式。 YOLOv8 是目前最主流的即時物件偵測框架，由 Ultralytics...
-
Python | OpenCV TensorFlow/Keras 微調範例
📚 前言 在上一篇 PyTorch 微調範例 中，我們完成了 PyTorch 的微調實作。 這一篇改用 TensorFlow/Keras 微調 MobileNetV2，學習另一個主流框架的實作方式。 TensorFlow/Keras 提供了高階 API，讓訓練流程更為簡潔，...
-
Python | OpenCV PyTorch 微調範例
📚 前言 在上一篇 遷移學習與微調原理 中，我們理解了遷移學習的核心概念。 這一篇進入實作，完整示範如何用 PyTorch 微調 ResNet18，訓練一個自訂類別的圖片分類模型。 💡 核心概念 在看程式碼之前，先把幾個名詞搞清楚，不然程式碼每一行都看得懂，但不知道...
-
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...