- Taipei, Taiwan
- Taipei, Taiwan
-
-
Python | OpenCV YOLOv8 介紹與環境安裝
📚 前言 在 從分類到偵測 — YOLOv8 系列介紹 中說明了分類與偵測任務的差異，以及這個子系列的學習路線。 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 Ultraly...
-
Python | OpenCV 從分類到偵測 — YOLOv8 系列介紹
📚 前言 在上一篇 與 OpenCV 整合推論 結束後，我們完整走過了一個圖片分類模型從訓練到部署的全流程： 與深度學習框架整合 與深度學習框架整合 — 實作範例 模型訓練與微調 資料蒐集 影片資料集建立與品質檢查 資料標註 ...
-
Python | 與 OpenCV 整合推論
📚 前言 在上一篇 模型保存與載入 中，我們學會了各種保存格式的使用方式。 這一篇是整個訓練流程的最後一站： 與 OpenCV 整合推論 。 將訓練好的模型接入 OpenCV，就能對靜態圖片、影片檔或即時攝影機畫面進行推論，完成從訓練到應用的最後一哩路。 🎨 範例圖片...
-
Python | OpenCV 模型保存與載入
📚 前言 在 PyTorch 微調範例 的 train.py 裡，訓練結束時你已經執行了這行： 1 torch.save(model.state_dict(), f" {SAVE_DIR} /best_model.pth" ) ...
-
Python | OpenCV 模型評估與測試
📚 前言 在上一篇 模型使用與推論 的章節導覽中，我們了解了推論流程的整體架構。 這一篇進入第一個細節： 模型評估與測試 (Model Evaluation & Testing) 。 訓練結束後，你最常看到的應該是程式印出的 Val Accuracy （驗證正確率）和...
-
Python | OpenCV 模型使用與推論
📚 前言 在上一篇 GPU 加速與效能優化 中，我們完成了模型訓練與調優的所有技巧。 接下來要進入一個非常重要的階段 —— 模型使用與推論 (Model Inference) 。 訓練好的模型不能只放在資料夾裡，它需要： 被好好評估 ：知道模型到底好不好、哪裡還...
-
Python | OpenCV GPU 加速與效能優化
📚 前言 在上一篇 避免過擬合 中，我們學會了讓模型訓練更穩定的技巧。 這一篇介紹 GPU 加速與效能優化 ，讓訓練速度大幅提升。 使用 GPU 訓練比 CPU 快數十倍，對於大型資料集或深層模型而言幾乎是必要的。 但 GPU 環境的設定也是新手最常卡關的環節，這一篇將完整說...
-
Python | OpenCV 避免過擬合
📚 前言 在上一篇 資料增強 中，我們學會了透過增強訓練資料來提升泛化能力。 這一篇介紹另一個關鍵主題： 避免過擬合 (Overfitting) 。 資料增強是「讓模型看更多種類的圖片」，而這一篇的方法是「限制模型過度記憶訓練資料」。兩者都是提升泛化能力的手段，但切入角度不同，...
-
Python | OpenCV 資料增強
📚 前言 在上一篇 TensorFlow/Keras 微調範例 中，我們完成了兩階段微調的完整流程。 這一篇深入介紹 資料增強 (Data Augmentation) 的原理與各種常用技巧。 前兩篇的訓練腳本中已經各自用了少量資料增強： PyTorch 微調範例...
-
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，並建議分 兩階段 訓...