$ python3 test.py Building net ... Source | Train? | Layer description | Output size -------+--------+----------------------------------+--------------- | | input | (?, 608, 608, 3) Load | Yep! | conv 3x3p1_1 +bnorm leaky | (?, 608, 608, 32) Load | Yep! | maxp 2x2p0_2 | (?, 304, 304, 32) Load | Yep! | conv 3x3p1_1 +bnorm leaky | (?, 304, 304, 64) Load | Yep! | maxp 2x2p0_2 | (?, 152, 152, 64) Load
YOLOv5がリリースされたとのことなので試してみました。 https://github.com/ultralytics/yolov5/ 目次 使用データと目的 実装例 データ準備 COCOデータのpretrainedモデルのダウンロード コードのダウンロード 環境準備 コード実行 コード説明 最後に 1. 使用データと目的 以下のサイトから物体検出用の画像を拾ってきました。 https://public.roboflow.ai/object-detection/ 色んなデータがありますが、コロナの時期なのでマスク有り無しのデータを選択してみました。 目的は図のようにマスクをしている人・していない人の物体検出を行うことです。 2. 実装例 2-1. データ準備 まずデータをダウンロードします。 以下のURLにアクセスします。 https://public.roboflow.ai/objec
宣伝 人工知能が顔面成分を分析してくれるサイトを作りました。ぜひ使ってみてください！ ちなみにTensorflow.jsで作成しているのですべての処理がユーザーのブラウザで行われます。つまり、画像をアップしてもそれがサーバーに送られることはなく、セキュリティ的にも安心です。 ai-animal.web.app 何番煎じなんだって感じもしますが、まとめておきます。 「keras-yolo3で学習済みモデルを使って一般的な物体検出はできた」という方が対象です。 ちなみにkeras-yolo3とは物体検出を行う深層学習モデルYOLOv3をkerasで実装した有名なgitHubリポジトリのことです。 github.com さて、独自データセットで学習させるためには大きく分けて3つのことをする必要があります。（執筆時点） ・データのアノテーション ・train.pyによる学習 ・独自データによる学習
概要 ビデオチャットのSkyWayに物体検出をいれて、リアルタイムで物体検出しながら ビデオチャットをする謎のビデオチャットです。 できたもの https://yolo-videochat.ga #ProtoOut pic.twitter.com/bjZZPddXEY — 3yaka (@3yaka4) June 11, 2020 概要 SkyWayで作ったビデオチャットに機械学習のTensorFlow.jsを優しーく包んでくれたml5.jsのYOLOを使って物体検出をさせ、PoseNetを使ってプライバシーを配慮した目線をかくすものをつけました。 人物に四角がついてその上にPersonと出て、左目から右目にかけて線が入ります。 1. SkyWayを使って webRTC Javascript SDK | API Reference | SkyWay(アプリやWebサービスに、ビデオ・音声通
ウマ娘はレース場で「馬」となる？（darknet・ディープラーニング） - えいあーるれいの技術日記
きっかけはちょっと余計な疑問でした。 デビットカードをようやく作ったことでサブスクやネット注文が容易にできるようになり動画をサブスクし始めたのが一ヶ月前。 いろいろ探して番組を視聴しているうちに年齢や性別の関係からかオススメに「ウマ娘」がでてきて視聴し始めたのがこの作品を知るきっかけになりました。 ゲームベースのアニメで好きなものと言ったら、ポケモンとかイナズマイレブン（無印）くらいで、実は今年の秋まで1期12話のアニメをほとんど見ていませんでした。 「ウマ娘」。名前は耳にしたことあるけど馬って言われても分からんしな〜〜。でもなんか人気らしいしな〜〜と思いつつ1期を見たらとても良かった。 個性豊かな可愛らしいキャラクターたちがレース場を爆走するというギャップ、憧れの先輩を目指して（というよりも仲間）とともに練習に励みたとえ挫折しても仲間たちと協力して乗り越えていくという誰でも没入できるスト
学習済みの一般物体検出（YOLOv3）をPC上で動かしてみた - ハードウェア技術者のスキルアップ日誌
前回のYOLOv2に引き続き、今回はYOLOv3を動かすことにチャレンジしましたので、実施内容を記録しておきます。 masaeng.hatenablog.com フレームワークはKerasを用います。 動作環境 OS：Windows 10 Home (64bit) Python 3.5 Anaconda 4.2.0 Keras 2.2.4 手順 ①GITHUBに上がっているこちらの学習済みモデルをダウンロードし、任意の場所に解凍します。 https://github.com/mashyko/keras-yolo3 ＜学習済みモデル＞ 入力画像サイズ：416x416 学習データセット：COCO classes 検出クラス：80クラス "person", "bicycle", "car", "motorbike", "aeroplane", "bus", "train", "truck", "
この記事でやること この記事ではcolab上で生成したweightsを用いて、Jetsonで走らせるところまでやります。 YOLOのオリジナルモデルの作成方法については過去の記事を参考にしてください。 https://qiita.com/tayutayufk/items/4e5e35822edc5fda60ca https://qiita.com/tayutayufk/items/4dba4087e6f06fec338b Jetson Nanoの用意 前提としてJetsonにはJetCardをインストールしておいてください。 最初にOpenCVのダウンロードから行っていきます。 https://qiita.com/usk81/items/98e54e2463e9d8a11415 このサイトを参考に導入してください。 自分は/home/"ユーザーネーム"/Lib/以下にクローン＆ビルドしまし
こんにちは @ixiv です。 「機械学習を勉強したい」と意欲を燃やす方々の中には「できたらGPGPUも！」と考えてる方も多いような気がします。とはいえ、自分のようなぺーぺーの初心者の方は、1本数万円するGPUで勉強をはじめよう、という事も難しく「なんとなくCUDAというものに触れてみたいなぁ」といったモチベーションに留まっているかと思います。 そこで、今回はまさかの 2020年の年末に2011年3月15日（僕の誕生日）発売のグラフィックボード『GeForce GTC550Ti』をメルカリで2000円で入手し、お手軽CUDA環境を立ち上げ、YOLO＋CUDA＋OpenCVでリアルタイム物体検出（Object Detection）をするまでの流れをまとめます。恐らく本手順を使うのは世界に自分ひとりな気もしますが… はじめに では早速。まずPC環境と、今回の記事を作成するために参照したWEBサ
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
Google Colaboratory上でYOLOを動かして画像認識させてみた – Kazuki Room ～ モノづくりブログ ～
Google ColaboratoryというGPUを無料で使えるサービスを使って画像認識させてみたいなと思ったので実際にやってみました。 日本語の情報はまだ少ないようなので少し苦労しましたがなんとかできました。 Colab上で画像認識させてみた結果がこちら。 人もコップも椅子も時計も全て認識してくれています。うん、いい感じです。 Google Colaboratory上の環境はこちらのページの通りに実施したらできました。ありがたやありがたや。今回は「darknet」というフレームワークを使用していますが、「Keras」を使用して動かす方法もあるようです。 ※以下のリンクではCUDA8.0をインストールするとなっていますが、この部分についてはインストールせずに既にインストールされている最新のCUDAをそのまま使用したほうがよさそうです。（2020/1/20追記） GitHub – ivang
from icrawler.builtin import GoogleImageCrawler google_crawler = GoogleImageCrawler( feeder_threads = 1, parser_threads = 2, downloader_threads = 4, storage = {'root_dir': 'shiny'} ) filters = dict( size = 'large' ) words = ["アイドルマスターシャイニーカラーズ","シャニマス","櫻木真乃","風野灯織","八宮めぐる", "月岡恋鐘","田中摩美々","三峰結華","白瀬咲耶", "幽谷霧子","大崎甜花","大崎甘奈","桑山千雪", "小宮果穂","西城樹里","杜野凛世","園田智代子","有栖川夏葉","芹沢あさひ","和泉愛依", "黛冬優子", "L’A
リアルタイムに物体認識できるYOLOですが、最近YOLOv3が登場しました。 これを使って、試しに簡単な動画解析プログラムを組んでみます。 さて、私は、趣味でバイクに乗っていて、ドライブレコーダー代わりに、安価なアクションカメラを付けて、動画を撮影することがあります。 ただ、車載動画は撮影しても、長すぎて全部見返すことはほとんどありません。いいシーンだけ抜き出してくれればなぁと常々思っています。 ところで、バイク同士がすれ違うときに、軽く手を降るなど挨拶する文化があり、YAEH(ヤエー)と呼ばれています。 市街地ではほとんどないですが、ツーリングスポットでお互い集団だと時々ヤエーされたりします。 youtubeには多くのヤエー動画がアップロードされてます。 YOLOを使って、バイクとのすれ違いシーンをうまく切り出すことができれば、「YAEH（っぽいところ）動画」を自動的に作ることができそう
Background [OpenCV][C++]テンプレートマッチングを使って複数検出してみた、ではOpenCVのTemplateMatchingを使ってクリボーを検出していました。用意したクリボーの画像を上から下へ走査して形状が類似しているエリアを算出するのですが、上部の雲がクリボーと似ているらしくて雲とクリボーが一緒に出てくると雲の方が先に検出がかかってしまいました。 大雑把に類似度の高いエリアをトリミングして、その後でテンプレート画像とヒストグラムか背景差分を使って判定はできそうなのですが、今回は趣向を変えてyolov3を使った物体検出をしてみます。 Device CPU AMD Ryzan 5 1400 GPU GeForce GTX960 Mother Board MSI B450 GAMING PLUS MAX B450 Memory DDR4 8G × 4枚 = 32G CU
GitHub - dog-qiuqiu/MobileNet-Yolo: MobileNetV2-YoloV3-Nano: 0.5BFlops 3MB HUAWEI P40: 6ms/img, YoloFace-500k:0.1Bflops 420KB:fire::fire::fire:
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
企画、要件定義のご相談 最適な推論エンジンを用いた実証実験の支援 追学習対応 精度、速度向上カスタマイズ設計 目的に応じたシステム構築 推論エッジデバイスの設計、製造、調達 NCXXは、IOT機器、テレマティクス機器、通信機器等の企画・設計・製造で製品出荷台数 500万台以上の実績を持つ企業です。そのノウハウを利用しハードウェア設計・製造、 ソフトウエア設計・評価、構造設計、運用、サポートまでワンストップで提供ができます。 用途により最適なAIエンジンを組み合わせ、小型、軽量、通信機能、省電力等特徴のある エッジ端末の企画・設計・量産製造も可能です。 NCXXのグループ、パートナー企業で様々な分野での対応が可能です。 （組み込みソフト開発、サーバ型ソフト開発、AR/VRコンテンツ制作、農業事業提案、 遠隔監視・リモートメンテナンス提案、テレマティクス関連事業、ブロックチェーン活用等）
1. はじめに AIで手の形を検出できたら、手話の翻訳などにも活用できそうですよね。いきなり手話翻訳は難しいので、まずは、じゃんけんの「グー・チョキ・パー」をAI（YOLO）でリアルタイム検出できるか試してみたいと思います。 ※サクッと**じゃんけん検出**だけ遊びたい人は、手順7～9までをLocal PCで実施してください😉 2. 具体的にどんなことをやるか Local PCのwebカメラを使って、じゃんけん(グー・チョキ・パー)をAIに検出させたいと思います。モデルを作成するのにLocal PCだとかなり時間がかかりそうなので、モデル作成はGoogle ColabのGPUパワーを利用しサクッとモデルを作って、作ったモデルをLocal PCへ移植したいと思います。 モデル作成は、最先端リアルタイム物体検出システムである**YOLO V5**を使用します😊 イメージ図 3. 開発環境
YOLOv8でナンバープレートを検出してAI-OCRで読み取ってみました。 〜ファインチューニングに使用したデータは、撮影した写真ではなく、Pythonで生成した画像（30,000枚・192,000アノテーション）です〜 | DevelopersIO
YOLOv8でナンバープレートを検出してAI-OCRで読み取ってみました。 〜ファインチューニングに使用したデータは、撮影した写真ではなく、Pythonで生成した画像（30,000枚・192,000アノテーション）です〜 1 はじめに CX 事業本部 delivery部の平内（SIN）です。 最近は、精算が終わっていれば、出口のゲートが自動的に開いてスムーズに退場できる駐車場をよく見かけます。これは、出入口のカメラでナンバープレートを読み取って、駐車券と紐づけることで実現されているサービスだと思いますが、非常に体験の良いシステムだと感動しています。 ナンバープレートの読み取りを軽易に行うことができれば、この他にも色々と気持ちいいサービスが作れるのでは？と思っています。 という事で、今回は、ナンバープレートの読み取りを試してみました。最初に動作している様子を御覧ください。 写真からナンバープ
エッジでAIを動作させる仕組みが増えてきました。 AI動作が可能なエッジ機器としてはAI組込済のエッジ機器、RaspberryPi、FPGA、RISC-Vチップなど色々と選択肢があります。但し、現状では深層学習処理をしようとするとパフォーマンスの問題でGPUが前提となるケースがあります。 このケースに限ってはNVIDIA製のエッジ機器であるJetsonシリーズの使用が前提となります。 今回はNVIDIA製のエッジ機器である「Jetson Nano」上でDeepstreamを使ってストリーム処理で物体検出させる手順を記事にしたいと思います。 Jetsonとは何か？ Jetsonとは、NVIDIA社が製造・販売するGPUを備えた画像認識、機械学習や自動運転等を想定した組込み用のARMベースのシングルボードコンピュータシリーズです。 特徴としてはCUDAを搭載しているため、CUDAに対応したAI
Jetson Nanoに骨格検出を実現するソフト「tf-pose-estimation」をセットアップする方法 - Qiita
Jetson NanoでPose Estimation Jetson Nanoで骨格検出の技術を動かしてみます。「tf-pose-estimation」というソフトを使うと単眼カメラで人間の骨格検出をすることができます。詳しくは以下ブログ記事を参照下さい。 単眼カメラでKinectのように骨格検出する技術「Realtime Multi-Person Pose Estimation」を試してみた Jetson Nanoで「tf-pose-estimation」のセットアップ ほとんど以下の記事を参考にさせていただきました。おかげで詰まることなくセットアップできたので、本当に感謝です。 Jetson Nano に TensorFlow版のOpenpose入れてみる そのままだと付加価値がないので、上記のセットアップをコマンド一発で実行できるようにスクリプトにした上で、Raspberry Piカ
Help us understand the problem. What is going on with this article?
はじめに Google Colaboratory上でYOLOv5を使用して、物体検出する方法についてまとめました。 目次 はじめに 目次 YOLOv5とは 実装 YOLOv5の準備 学習データの準備 学習 推論 まとめ 注釈 参考文献 YOLOv5とは ※上図は、YOLOv5のGitHubページからの引用 物体検出（object detection）とは、画像内の「どこに」「何が」写っているかを検出する技術のことです。 物体検出としては、SSDやYOLOといったものがよく使用されます。 YOLOのversion3であるYOLOv3は、その精度と処理の速さから広く使用されてきました。 YOLOv5は、そのYOLOv3の後継であるversion5にあたり、2020年にリリースされました。 YOLOv5は現在でも精力的に開発が進められています（2021/03時点）。 YOLO v3については、以
GitHub - AlturosDestinations/Alturos.Yolo: C# Yolo Darknet Wrapper (real-time object detection)
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
（2020/12/3訂正：論文中の単語ConfidenceとConfidence score（信頼度スコア）について本項での表現が紛らわしかったのでその修正と合わせて大幅に追記させていただきました。） 本稿は，YOLO【You Only Look Once: Unified, Real-Time Object Detection】，を簡潔に紹介したものです． 本項では，YOLOの理解をする上で物体検出の歴史を辿りながら，わかりやすく記述することを心がけました． また，YOLOの論文の内容を忠実にお読みになりたい方は「YOLOv3 論文訳」の方をご参照ください． ※専門性があると判断した用語については日本語訳せずそのまま記述するか，()の中に元の単語を記述しています． YOLOの名前の由来 まず，YOLOという名前の由来から見ていきましょう． YOLOは， “Humans glance at
Jetson NanoにニューラルネットワークのフレームワークであるDarknetをインストールして、物体検出モデルのYOLOv3が動作する環境を構築しました。 YOLOv3とTiny YOLOv3による物体検出結果 下の画像は、構築した環境のYOLOv3とTiny YOLOv3を用いて、GitHub – udacity/CarND-Vehicle-Detection: Vehicle Detection Projectのテスト画像を物体検出した結果です。 環境構築 Darknet Darknetは、ニューラルネットワークのフレームワークです。詳細は、Darknet: Open Source Neural Networks in Cをご覧ください。ソースが、GitHub – pjreddie/darknet: Convolutional Neural Networksで公開されています。
GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
最新のYOLOv8 が公開されたので試してみる
最新のYOLOv8がUltralyticsより公開されました。まだ論文がarxivに公開されていないらしく情報が少ないですが、とりあえず試してみることにします。 ドキュメントをパッと見てまず思ったのがYOLOv8がPythonのパッケージとして配布されていることですかね。https://docs.ultralytics.com によると,YOLOv8では以前のYOLOを切り替えることができるみたいです。これは拡張性とかかなり期待できそうです！ 早速bus.jpgでテスト。 $ pip install ultralytics $ yolo task=detect mode=predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg" 認識されました。YOLOv5ではstop signの検出はされなかった記憶が
はじめに いつもJotson関連の情報でお世話になっているからあげさんがJetsonNanoの本を書いたので、いつものように真似してみるよ。 （注意！JetPackは4.2.2を使ってね） Jetson Nano本のサポートページ 教材のレベルも高い MIDIや３Dカメラをつかうページでは、D435やポケミクが必要だったりで、さすが超入門。 どこのご家庭にも必ずあるJetsonNanoと違って、デバイス側の在庫がある人は少ないはず・・・だけど、Twitter見てるとみんな持っているから不思議。 ちなみに私のはD435じゃなくてD435iだからセーフ（謎） JetPack 4.3 本が届く前にJetPack4.3がリリースされて、OpenCV4.1がプリインストールされた。 これで長々とビルドする必要がなくなった！ （注意！JetPack4.3だとSLAMが動かせなかったので、現状ではJet
ML.NET の事前トレーニング済みの ONNX モデルを使用して画像内のオブジェクトを検出する方法について説明します。 オブジェクト検出モデルを最初からトレーニングするには、数百万のパラメーター、大量のラベル付きトレーニング データ、膨大な量の計算リソース (数百時間の GPU) を設定する必要があります。 事前トレーニング済みモデルを使用すると、トレーニング プロセスをショートカットできます。 このチュートリアルでは、次の作業を行う方法について説明します。 前提条件 Visual Studio 2022. Microsoft.ML NuGet パッケージ Microsoft.ML.ImageAnalytics NuGet パッケージ Microsoft.ML.OnnxTransformer NuGet パッケージ Tiny YOLOv2 事前トレーニング済みモデル Netron (省略
株式会社クリューシステムズ ｜ 菱洋エレクトロ株式会社
HOME 事例紹介 株式会社クリューシステム... クリューシステムズが実現した AI搭載カメラは、監視カメラの可能性を広げる ディープラーニングの進化に端を発した現在のAIブーム。すでに、さまざまな場面で実用化されており、私たちのビジネスや日常生活においていろいろな形で利用されている。さらに、AI技術の発達によって、これまでAIが使われていなかった場面においても、AIを積極的に活用しようとする動きも広まっている。 監視カメラとその映像をクラウドで管理するソリューションを提供しているクリューシステムズでは、「NVIDIA® Jetson™」によって監視カメラにAIを搭載した。その開発ストーリーと、AIカメラの可能性について同社の山本有二郞氏から、同社のAIカメラ開発を支援した菱洋エレクトロの大上誠とともに話しを聞いた。
【更に倍速 YOLO / Darknet】NVIDIA Jetson Nano vs Raspberry Pi with NCS2 | MIKI-IE.COM（みきいえMIKIIE）
全242回のめざましじゃんけん結果取得を通じて一番のテーマは、信頼性の向上です。 「全部の回次を正しく結果取得」 １回１回の信頼性向上・・・まだ、道半ば。誤判定をなくす、（運用コストが低く）信頼性の高いH/Wの導入。そして、H/Wの冗長化 イレギュラー開催などへの対応・・・見えていない部分もありますが、ダブルポイントなどへの対応、年末年始など、個別開催時間への対応など 信頼性を向上するうえで、システムの構成予想削減（よりシンプルに）、より高信頼なハードウェアで。 最近ホットな出来事は、USBカメラの画像が悪い時（太陽の高さなど、テレビの設置環境に依存）の画像検出率低下、さらには誤判定。 これらを回避する途中に、エッジコンピューティングでの画像検出エンジンの高速化が実現しました。 （高速化や信頼性を主テーマとすると、他の方式もありますが、あくまで気になる分野や楽しそうな技術の採用を優先させて
### ライブラリ読みこみ import cv2 import time import threading import datetime import signal import os from ftplib import FTP from PIL import Image, ImageFont, ImageDraw import scipy.io import scipy.misc import numpy as np import argparse import pandas as pd import tensorflow as tf from keras import backend as K from keras.layers import Input, Lambda, Conv2D from keras.models import load_model, Model from
Jetson nanoはAI入門におすすめ こんにちは。 AI coordinator管理人の清水秀樹です。 コロナが猛威を奮っていますね。 健康には十分気をつけていきましょう。 さて、本日はAI初心者に大変オススメのJetson nanoを使ったAI体験を簡単に実現できる方法をご紹介致します。 Jetson nanoはNvidia社が開発したGPU搭載の小型マイコンになります。 なぜAI初心者にオススメなのかというと、セットアップが滅茶苦茶楽ちんだからです。 通常のPCですといちいちAI開発用にセットアップが必要となりますが、Jetson nanoはもともとAIを活用することを前提に開発したマイコンになっているため、Jetson nano用のOSイメージを活用すればすぐにでもAIを体験できるようになっています。 しかもマイコンそのものは１万ちょっとと金額も安い。 通常のGPU搭載のPCを
独自のデータを用いたYOLOv5の物体検出に挑戦していきます👍 前の記事でYOLOv3を使った物体検出を実行したのが面白かったので、YOLOv5でも物体検出やってみました。Windows10環境です。 今回は独自データをつかってみる「基礎編」ですが、様々な応用的な技術にも挑戦しています。よろしければ併せてご覧ください。 前の記事（YOLOv3）についての詳細は↓を見てみてください。
YOLOv5を使った物体検出
[！] この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。 物体検出とは 物体検出は、画像・動画内に写っている物体の位置とクラス（人間、車といったカテゴリー）を特定する方法です。 代表的なものとして、顔検出や自動運転などに応用されています。 物体検出の分野では、R-CNN, YOLO, SSDなどの深層学習を用いた手法が開発され、幅広く使われています。 今回は、YOLOv5 ⧉を使って、物体検出をします。 YOLOv5は、2020年6月に公開された最新の物体検出手法です。 他の手法と比べて超高速で、リアルタイムでの実行も可能です。 また、自作データセットをYOLOv5で簡単に学習できることも特徴です。 環境構築 YOLOv5は、Pythonで動作するので、事前にPythonをインストールしてください。 この記事の開発環境は以下の通りです。
アドバンスドテクノロジーラボの塩澤繁です。 前回、「低コストで導入可能な最新リテールテック！（前半）」と題して、「顧客属性推定」と「視線検出」についてご紹介しましたが、今回は「動線分析」と「商品判別」への利用を想定した検証の取り組みをご紹介します。今回の取り組みも、Nvidia社のJetson Nano を利用し、弊社のオフィス内の環境を使用した検証となっています。 なお、Jetson Nanoに関しては、前回の記事でも紹介させていただいていますので、ご覧ください。 ■動線分析 動線分析とは、店舗等に来た顧客が、どのようなルートで店舗内を移動したかを分析するものです。この分析により、通路の混雑具合や流量、棚や商品陳列の前で立ち止まる滞留時間なども分析することができます。 今回は技術検証の観点から、詳細な分析よりも、Jetson Nanoのエッジ端末でどの程度まで検知できるのかに主眼を置いて
Jetson nano セットアップとUSBカメラを使った画像認識 (YOLO) の動作 - Takahiro Suzuki
Jetson nano セットアップとUSBカメラを使った画像認識 (YOLO) の動作 Jetson nanoはNVIDIAのGPUが載った、Raspberry Piサイズのボードです。 簡単な設定でUbuntuとNVIDIA Driver, CUDAが整った環境が揃えられるので、CPUでは重すぎて動かないディープラーニングなどを個人で少し試すのによいデバイスかと思います。 試しにUSBカメラを繋いでYoloを動かしました。 使用したハードウェア Jetson Nano Developer Kit 128 GB Micro SD カード 電源アダプタ 5V/4A USBカメラ USB WiFiモジュール ジャンパーピン J48にジャンパーピンを接続するとDCジャック電源供給に切り替わります。デフォルトのUSB電源供給だと処理負荷が増えた際に安定動作しません。 初期セットアップ Wifiで
[YOLOv8 Instance Segmentation] 「きのこの山」に潜伏する「たけのこの里」を機械学習で見つけてみました 〜データセットは、Segment Anything Modelで自動的に生成されています〜 | DevelopersIO
[YOLOv8 Instance Segmentation] 「きのこの山」に潜伏する「たけのこの里」を機械学習で見つけてみました 〜データセットは、Segment Anything Modelで自動的に生成されています〜 1 はじめに CX事業本部製造ビジネステクノロジー部の平内（SIN）です。 YOLOv8は、イメージ分類・物体検出・セグメンテーション・骨格検出などに対応していますが、今回は、セグメンテーションモデルをファインチューニングして、「きのこの山」と「たけのこの里」を検出してみました。 最初に、動作している様子をご確認下さい。比較的に精度高くセグメンテーション出来ていると思います。 2 データセット作成 セグメンテーションモデルを学習する為のデータは、下記のように、対象物の輪郭座標が必要であり、これを大量に作成するのは、結構な膨大な作業量になってしまいます。 そこで、この作業
![[YOLOv8 Instance Segmentation] 「きのこの山」に潜伏する「たけのこの里」を機械学習で見つけてみました 〜データセットは、Segment Anything Modelで自動的に生成されています〜 | DevelopersIO](https://cdn-ak-scissors.b.st-hatena.com/image/square/39c333a033a0d0be80ef5ce7121caeffe0f678de/height=288;version=1;width=512/https%3A%2F%2Fdevio2023-media.developers.io%2Fwp-content%2Fuploads%2F2024%2F02%2Ficon.png)
2020年1月7日に行われた第4回 Jetsonユーザー会 「Jetson Nano超入門」著者パネルディスカッション＋LT大会に登壇させていただきました。 関係者のみなさま、ご参加いただいたみなさま、ありがとうございました。 で、資料をSlideShareにアップしたのですが、基本的には口頭で説明するためのベースとしての資料として作ったものですので、ブログ記事として解説をアップすることにしました。 まず、なんでDeepStreamを紹介しようと思ったかと言いますと、以下3つの理由からです。 何か話してよと言われたのが12月半ばで1か月未満でできることを考えた ちなみに、依頼が来てから慌ててJetson nanoを買いました。 DeepStreamに関して、NVIDIAさんのプレゼンでしか見たことないよという声があった 「Jetson Nano超入門」にはさらっと紹介程度にしか触れられてい
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? こんにちは。 タイトルの通り、現在趣味半分で個人開発中のきゅうり収穫支援システムについてつらつらと書いていきます。 （記念すべき初投稿記事です！） 1. プロローグ 私はきゅうり栽培を営む農家の両親を持つ一会社員なのですが、スマート農業で両親の仕事を助けられないかと考え、今回の個人開発を始めてみました。 将来的には近年の農業従事者数の減少と高齢化の問題解決に貢献できればいいなぁと漠然と考えています。 2. 開発前の調査 開発を始める前に、両親へのヒアリングをする中で、きゅうり収穫における以下のような課題感が掴めてきました。 ①目視による
はじめに 小売店舗の経営者さんから「監視カメラの映像を使って来店客の分析をしたいけど、何か方法ないかな？」と質問があり、詳しく聞いてみるとカメラ画像とレジデータの突合をし、商品を購入されたお客さんの性別や年齢と購入されたものを分析して、仕入れの計画を立てる参考資料にしたいとのこと。 ということで、手始めに監視カメラのことを調べ、監視カメラの画像をパソコンに取り込めるようにし、カメラの画像からレジでお会計をされた来店客を抽出して、時間ごとに表示することで、レジの記録と突合しやすくなるのかなと考え、試してみたら意外と簡単にできたので、以下に手順をまとめます。 なお、監視カメラはレジカウンターの斜め後ろ奥に設置され、レジカウンター越しに店内を映しています。 やったこと 監視カメラの画像をパソコンに取り込む 監視カメラの画像から人を抽出 抽出した人の状態を識別 動作環境 機器 監視カメラ（CVI方
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
YOLOをpythonで動かしてリアルタイム画像認識をしてみた - Qiita
【YOLOv5】マスクしてる人・してない人を物体検出 - Qiita
keras-yolo3 で独自データセットに対して学習させる方法 - ほぼPython
SkyWayを使ってリアルタイム物体検出つきビデオチャットを作る - Qiita
Jetson NanoでオリジナルYOLOを動かす - Qiita
誰得なのか不明ですが2000円でCUDAを試してみました - Qiita
Jetson Yolo USBカメラで物体を認識させる - Qiita
YOLO v3を使ってシャニマスのキャラクター画像認識＆判別をしてみる - Qiita
YOLOv3+pythonで車載動画中のバイクを認識し動画にする - Qiita
pytorch+yolov3を使ってマリオを物体検出してみた - Qiita
ディープラーニング開発支援・受託開発 NVIDIA | NCXX
【YOLO V5】AIでじゃんけん検出 - Qiita
DeepstreamでストリームAI処理する方法について | テクのまど
深層学習、機械学習の環境を自動インストール OpenCvとCudaの自動化 - Qiita
Google ColabでYOLOv5を使って物体検出してみた - Qiita
【物体検出手法の歴史 : YOLOの紹介】 - Qiita
Darknet YOLOv3 on Jetson Nano – AI4SIG
「Jetson Nano 超入門」を読んでSLAMやってみた - Qiita
チュートリアル: ONNX ディープ ラーニング モデルを使用してオブジェクトを検出する - ML.NET
赤ちゃんをJetson NanoのエッジAIにも見守ってもらう② -赤ちゃん検知AI-
即できる！初めてのJetson nanoでAI入門：DeepStream編 | AI coordinator
【YOLOv5】スナックエンドウの収穫に物体検出をつかってみる【独自データ】
低コストで導入可能な最新リテールテック！（後半） | Recruit Tech Blog
DeepstreamでストリームAI処理する方法について
初心者がエッジAIできゅうり収穫支援システムをｴｯﾎｴｯﾎ作ってみた - Qiita
店舗に設置された監視カメラの画像を使って来店客の状態を識別してみる - Qiita
b.hatena.ne.jp
projectofnapskint.com
www.bloomberg.co.jp
ryjkmr.com
nordot.app
www.nikkei.com