- Taipei, Taiwan
- Taipei, Taiwan
-
-
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。 接下來要進入整個電腦視覺專案中最核心的環節： 模型選擇與訓練 。 如果你是第一次接觸深度學習訓練，看到「遷移學習」、「微調」、「epoch」這些詞彙可能會一頭霧水。 這篇文章的目的就是幫你建立一個清楚的全局觀，在...
-
Python | OpenCV 資料集整理與驗證
📚 前言 在上一篇 LabelImg 標註工具實戰 中，我們完成了圖片的標註。 標註完成後，還需要將資料整理成模型訓練所需的目錄結構，並切分訓練集與驗證集，最後用程式確認標註是否正確。 ✂️ 訓練集與驗證集切分 標註完成後，需要將資料分為訓練集與驗證集。有兩種做法： ...
-
Python | OpenCV LabelImg 標註工具實戰
📚 前言 在上一篇 資料標註 中，我們介紹了常見的標註格式與工具概覽。 本篇介紹 LabelImg 的安裝、問題修正，以及基本操作。 💻 安裝與開啟 1 2 pip install labelImg labelImg ...
-
Python | OpenCV 資料標註
📚 前言 在上一篇 影片資料集建立與品質檢查 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...
-
Python | OpenCV 影片資料集建立與品質檢查
📚 前言 在上一篇 資料蒐集 中，我們介紹了四種基礎的資料蒐集方式，其中方法四（從影片截取影格）操作最簡單，但有兩個實際問題： 模糊幀 ：動態模糊導致影像無法使用 重複幀 ：相機靜止時連續影格幾乎一樣，徒增資料量 本篇介紹如何自動過濾這兩類問題，建立高品質的...
-
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 — 實作範例 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 &...
-
Python | OpenCV 與深度學習框架整合 — 實作範例
📚 前言 在上一篇 OpenCV 與深度學習框架整合 中，我們把電腦視覺常見的術語與工具定位整理清楚——PyTorch、TensorFlow、Keras、YOLO、ResNet、MobileNet 各自是什麼、做什麼。 這一篇進入實作，直接用 PyTorch (ResNet18)...
-
Python | OpenCV 與深度學習框架整合
📚 前言 在上一篇 多物件偵測與追蹤 中，我們學會了以 YOLO + DeepSORT 進行即時多物件偵測與追蹤，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。 在進入框架整合...
-
Python | OpenCV 多物件偵測與追蹤
📚 前言 在上一篇 物件分類與定位 中，我們學會了以 MobileNet SSD 在圖片與影片中辨識物件並標記位置。 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...