İmage Processing de dataset ile nesne tanima

Merhabalar, image processing projemde verilen dataseti train edip girilen resmin ne oldugunu tahmin etmesini saglamaliyim. Çok uzun arastirma yapmama ragmen hala bu konu hakkinda bilgi sahibi olamadim

python kütüphanelerine bak hocam konu hakkında sayısız örnek var.

Hocam o kadar cok arastirdim bulamadim gercekten tam karsiligi varsa ornek makaleleri atabilir misiniz

hocam nasıl bulamadın dünya kadar örnek kod var bunun üzerine biz bu olayı taaa 2013 yılında filan yapmıştık hemde böyle kütüphaneer yoktu visual basicte ne uğraşmıştık. opencv ile bunları çok rahat yapabilirsin arka planda bir yapay zeka noral ağı kullanmak istersen eğitmen gerekecek bunun içinde kütüphaneler var ama youtube şunu yaz trülyontane örnek çıkar object detectin opencv mesela bunun üzerinden yürü.

Pythonda birçok kütüphaneyi kullanarak sağlayabilirsiniz.

Örnek kod ;

import numpy as np
import keras
from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D
from keras.optimizers import RMSprop
from keras.utils import to_categorical

# Step 1: Load the dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Step 2: Preprocess the data
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# Step 3: Create the model
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(10, activation='softmax'))

# Step 4: Compile the model
model.compile(loss='categorical_crossentropy', optimizer=RMSprop(), metrics=['accuracy'])

# Step 5: Train the model
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_data=(x_test, y_test))

# Step 6: Test the model on new data
new_image = ... # load new image
predictions = model.predict(new_image)
print(predictions)

projenize göre düzenleyebilirsiniz.

Shape descriptors yontemlerinden birini kullanarak yapilmasi lazim