19 KiB
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਪਰਚੇ
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਡਿਜ਼ਿਟਲ ਚਿੱਤਰਾਂ ਦੀ ਉੱਚ-ਸਤਹ ਦੀ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਇੱਕ ਕਾਫ਼ੀ ਵਿਆਪਕ ਪਰਿਭਾਸ਼ਾ ਹੈ, ਕਿਉਂਕਿ ਸਮਝਣਾ ਕਈ ਵੱਖ-ਵੱਖ ਚੀਜ਼ਾਂ ਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਵਿੱਚ ਇੱਕ ਵਸਤੂ ਨੂੰ ਖੋਜਣਾ (ਵਸਤੂ ਪਛਾਣ), ਜੋ ਕੁਝ ਹੋ ਰਿਹਾ ਹੈ ਉਸ ਨੂੰ ਸਮਝਣਾ (ਘਟਨਾ ਪਛਾਣ), ਚਿੱਤਰ ਨੂੰ ਲਿਖਤ ਵਿੱਚ ਵਰਣਨ ਕਰਨਾ, ਜਾਂ 3D ਵਿੱਚ ਦ੍ਰਿਸ਼ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣਾ। ਮਨੁੱਖੀ ਚਿੱਤਰਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਕਾਰਜ ਵੀ ਹਨ: ਉਮਰ ਅਤੇ ਭਾਵਨਾ ਅਨੁਮਾਨ, ਚਿਹਰਾ ਪਛਾਣ ਅਤੇ ਸਨਾਖਤ, ਅਤੇ 3D ਪੋਜ਼ ਅਨੁਮਾਨ, ਆਦਿ।
ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਇੱਕ ਸਭ ਤੋਂ ਸਧਾਰਨ ਕਾਰਜ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਹੈ।
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਨੂੰ ਅਕਸਰ AI ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਅੱਜਕਲ, ਜ਼ਿਆਦਾਤਰ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕਾਰਜ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਅਸੀਂ ਇਸ ਅਧਿਆਇ ਵਿੱਚ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਕਾਰ ਕਨਵੋਲੂਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ।
ਹਾਲਾਂਕਿ, ਚਿੱਤਰ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ, ਕਈ ਕੇਸਾਂ ਵਿੱਚ ਚਿੱਤਰ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕੁਝ ਅਲਗੋਰਿਦਮਿਕ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸਹੀ ਹੁੰਦਾ ਹੈ।
ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਕਈ Python ਲਾਇਬ੍ਰੇਰੀਆਂ ਉਪਲਬਧ ਹਨ:
- imageio ਵੱਖ-ਵੱਖ ਚਿੱਤਰ ਫਾਰਮੈਟਾਂ ਨੂੰ ਪੜ੍ਹਨ/ਲਿਖਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਹ ffmpeg ਨੂੰ ਵੀ ਸਹਿਯੋਗ ਦਿੰਦੀ ਹੈ, ਜੋ ਵੀਡੀਓ ਫਰੇਮਾਂ ਨੂੰ ਚਿੱਤਰਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇੱਕ ਉਪਯੋਗ ਟੂਲ ਹੈ।
- Pillow (ਜਿਸ ਨੂੰ PIL ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਅਤੇ ਕੁਝ ਚਿੱਤਰ ਮੈਨਿਪੂਲੇਸ਼ਨ ਜਿਵੇਂ ਕਿ ਮੋਰਫਿੰਗ, ਪੈਲੇਟ ਸਹੀਕਰਨ, ਆਦਿ ਦਾ ਸਹਿਯੋਗ ਦਿੰਦੀ ਹੈ।
- OpenCV ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ C++ ਵਿੱਚ ਲਿਖੀ ਗਈ ਹੈ ਅਤੇ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਡਿ ਫੈਕਟੋ ਮਿਆਰ ਬਣ ਗਈ ਹੈ। ਇਸਦਾ ਇੱਕ ਸੁਵਿਧਾਜਨਕ Python ਇੰਟਰਫੇਸ ਹੈ।
- dlib ਇੱਕ C++ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਕਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਲਗੋਰਿਦਮਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੁਝ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਲਗੋਰਿਦਮ ਵੀ ਸ਼ਾਮਲ ਹਨ। ਇਸਦਾ ਇੱਕ Python ਇੰਟਰਫੇਸ ਹੈ ਅਤੇ ਇਹ ਚਿਹਰਾ ਅਤੇ ਚਿਹਰੇ ਦੇ ਲੈਂਡਮਾਰਕ ਪਛਾਣ ਵਰਗੇ ਚੁਣੌਤੀਪੂਰਨ ਕਾਰਜਾਂ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
OpenCV
OpenCV ਨੂੰ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਡਿ ਫੈਕਟੋ ਮਿਆਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਕਈ ਉਪਯੋਗ ਅਲਗੋਰਿਦਮ ਹਨ, ਜੋ C++ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ। ਤੁਸੀਂ OpenCV ਨੂੰ Python ਤੋਂ ਵੀ ਕਾਲ ਕਰ ਸਕਦੇ ਹੋ।
OpenCV ਸਿੱਖਣ ਲਈ ਇੱਕ ਚੰਗੀ ਜਗ੍ਹਾ ਇਹ Learn OpenCV ਕੋਰਸ ਹੈ। ਸਾਡੇ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਸਾਡਾ ਉਦੇਸ਼ OpenCV ਸਿੱਖਣਾ ਨਹੀਂ ਹੈ, ਬਲਕਿ ਤੁਹਾਨੂੰ ਕੁਝ ਉਦਾਹਰਨ ਦਿਖਾਉਣਾ ਹੈ ਕਿ ਕਦੋਂ ਇਹ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਕਿਵੇਂ।
ਚਿੱਤਰ ਲੋਡ ਕਰਨਾ
Python ਵਿੱਚ ਚਿੱਤਰਾਂ ਨੂੰ NumPy arrays ਦੁਆਰਾ ਸੁਵਿਧਾਜਨਕ ਤਰੀਕੇ ਨਾਲ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, 320x200 ਪਿਕਸਲ ਦੇ ਸਧਾਰਨ ਚਿੱਟੇ-ਕਾਲੇ ਚਿੱਤਰਾਂ ਨੂੰ 200x320 ਐਰੇ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਵੇਗਾ, ਅਤੇ ਉਹੀ ਆਕਾਰ ਦੇ ਰੰਗੀਨ ਚਿੱਤਰਾਂ ਦਾ ਆਕਾਰ 200x320x3 (3 ਰੰਗ ਚੈਨਲਾਂ ਲਈ) ਹੋਵੇਗਾ। ਚਿੱਤਰ ਨੂੰ ਲੋਡ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਵਰਤ ਸਕਦੇ ਹੋ:
import cv2
import matplotlib.pyplot as plt
im = cv2.imread('image.jpeg')
plt.imshow(im)
ਪ੍ਰੰਪਰਾਗਤ ਤੌਰ 'ਤੇ, OpenCV ਰੰਗੀਨ ਚਿੱਤਰਾਂ ਲਈ BGR (Blue-Green-Red) ਕੋਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਦਕਿ Python ਦੇ ਬਾਕੀ ਟੂਲ ਰਵਾਇਤੀ RGB (Red-Green-Blue) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਚਿੱਤਰ ਨੂੰ ਸਹੀ ਦਿਖਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ RGB ਰੰਗ ਸਪੇਸ ਵਿੱਚ ਬਦਲਣਾ ਪਵੇਗਾ, ਜਾਂ ਤਾਂ NumPy ਐਰੇ ਵਿੱਚ ਮਾਪਾਂ ਦੀ ਅਦਲ-ਬਦਲ ਕਰਕੇ, ਜਾਂ OpenCV ਫੰਕਸ਼ਨ ਕਾਲ ਕਰਕੇ:
im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
ਇਹੀ cvtColor ਫੰਕਸ਼ਨ ਹੋਰ ਰੰਗ ਸਪੇਸ ਰੂਪਾਂਤਰਨ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਨੂੰ ਚਿੱਟੇ-ਕਾਲੇ ਜਾਂ HSV (Hue-Saturation-Value) ਰੰਗ ਸਪੇਸ ਵਿੱਚ ਬਦਲਣਾ।
ਤੁਸੀਂ OpenCV ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੀਡੀਓ ਨੂੰ ਫਰੇਮ-ਦਰ-ਫਰੇਮ ਲੋਡ ਕਰ ਸਕਦੇ ਹੋ - ਇਸਦਾ ਉਦਾਹਰਣ OpenCV Notebook ਵਿੱਚ ਦਿੱਤਾ ਗਿਆ ਹੈ।
ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ
ਚਿੱਤਰ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਸੀਂ ਕੁਝ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਲਾਗੂ ਕਰਨਾ ਚਾਹੋਗੇ। OpenCV ਕਈ ਚੀਜ਼ਾਂ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ:
- ਚਿੱਤਰ ਦਾ ਆਕਾਰ ਬਦਲਣਾ
im = cv2.resize(im, (320,200),interpolation=cv2.INTER_LANCZOS)ਦੀ ਵਰਤੋਂ ਕਰਕੇ - ਚਿੱਤਰ ਨੂੰ ਧੁੰਦਲਾ ਕਰਨਾ
im = cv2.medianBlur(im,3)ਜਾਂim = cv2.GaussianBlur(im, (3,3), 0)ਦੀ ਵਰਤੋਂ ਕਰਕੇ - ਚਿੱਤਰ ਦੀ ਚਮਕ ਅਤੇ ਕਨਟਰਾਸਟ ਨੂੰ NumPy ਐਰੇ ਮੈਨਿਪੂਲੇਸ਼ਨ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਇਸ Stackoverflow ਨੋਟ ਵਿੱਚ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ।
- ਥ੍ਰੈਸ਼ਹੋਲਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ
cv2.threshold/cv2.adaptiveThresholdਫੰਕਸ਼ਨ ਕਾਲ ਕਰਨਾ, ਜੋ ਅਕਸਰ ਚਮਕ ਜਾਂ ਕਨਟਰਾਸਟ ਨੂੰ ਸਹੀ ਕਰਨ ਨਾਲ ਬਿਹਤਰ ਹੁੰਦਾ ਹੈ। - ਚਿੱਤਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਰੂਪਾਂਤਰਨ ਲਾਗੂ ਕਰਨਾ:
- ਐਫਾਈਨ ਰੂਪਾਂਤਰਨ ਜਦੋਂ ਤੁਹਾਨੂੰ ਚਿੱਤਰ ਵਿੱਚ ਤਿੰਨ ਬਿੰਦੂਆਂ ਦੇ ਸਰੋਤ ਅਤੇ ਗੰਤਵ ਸਥਾਨ ਪਤਾ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਘੁੰਮਾਉਣਾ, ਆਕਾਰ ਬਦਲਣਾ ਅਤੇ ਝੁਕਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ। ਐਫਾਈਨ ਰੂਪਾਂਤਰਨ ਸਮਾਂਤਰ ਲਾਈਨਾਂ ਨੂੰ ਸਮਾਂਤਰ ਰੱਖਦੇ ਹਨ।
- ਪਰਸਪੈਕਟਿਵ ਰੂਪਾਂਤਰਨ ਜਦੋਂ ਤੁਹਾਨੂੰ ਚਿੱਤਰ ਵਿੱਚ 4 ਬਿੰਦੂਆਂ ਦੇ ਸਰੋਤ ਅਤੇ ਗੰਤਵ ਸਥਾਨ ਪਤਾ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜੇ ਤੁਸੀਂ ਸਮਾਰਟਫੋਨ ਕੈਮਰੇ ਦੁਆਰਾ ਕਿਸੇ ਕੋਣ ਤੋਂ ਇੱਕ ਆਯਤਾਕਾਰ ਦਸਤਾਵੇਜ਼ ਦੀ ਤਸਵੀਰ ਲੈਂਦੇ ਹੋ, ਅਤੇ ਤੁਸੀਂ ਦਸਤਾਵੇਜ਼ ਦੀ ਆਯਤਾਕਾਰ ਚਿੱਤਰ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ।
- ਚਿੱਤਰ ਦੇ ਅੰਦਰ ਗਤੀ ਨੂੰ ਸਮਝਣਾ optical flow ਦੀ ਵਰਤੋਂ ਕਰਕੇ।
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀ ਵਰਤੋਂ ਦੇ ਉਦਾਹਰਨ
ਸਾਡੇ OpenCV Notebook ਵਿੱਚ, ਅਸੀਂ ਕੁਝ ਉਦਾਹਰਨ ਦਿੰਦੇ ਹਾਂ ਕਿ ਕਦੋਂ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਕਾਰਜ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ:
- ਬ੍ਰੇਲ ਬੁੱਕ ਦੀ ਤਸਵੀਰ ਦੀ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ। ਅਸੀਂ ਧਿਆਨ ਦਿੰਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਅਸੀਂ thresholding, feature detection, perspective transformation ਅਤੇ NumPy ਮੈਨਿਪੂਲੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਬ੍ਰੇਲ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਵੱਖ ਕਰ ਸਕਦੇ ਹਾਂ, ਜੋ ਅਗਲੇ ਕਦਮ ਵਿੱਚ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੁਆਰਾ ਵਰਗੀਕਰਨ ਲਈ ਤਿਆਰ ਹੁੰਦੇ ਹਨ।
 |
 |
 |
|---|
ਚਿੱਤਰ OpenCV.ipynb ਤੋਂ
- ਫਰੇਮ ਡਿਫਰੈਂਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੀਡੀਓ ਵਿੱਚ ਗਤੀ ਪਛਾਣਣਾ। ਜੇ ਕੈਮਰਾ ਸਥਿਰ ਹੈ, ਤਾਂ ਕੈਮਰੇ ਫੀਡ ਤੋਂ ਫਰੇਮ ਇੱਕ ਦੂਜੇ ਨਾਲ ਕਾਫ਼ੀ ਮਿਲਦੇ-ਜੁਲਦੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਕਿਉਂਕਿ ਫਰੇਮ ਐਰੇ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਏ ਜਾਂਦੇ ਹਨ, ਸਿਰਫ਼ ਉਹਨਾਂ ਐਰੇਜ਼ ਨੂੰ ਦੋ ਲਗਾਤਾਰ ਫਰੇਮਾਂ ਲਈ ਘਟਾ ਕੇ ਅਸੀਂ ਪਿਕਸਲ ਡਿਫਰੈਂਸ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ, ਜੋ ਸਥਿਰ ਫਰੇਮਾਂ ਲਈ ਘੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਚਿੱਤਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਗਤੀ ਹੋਣ 'ਤੇ ਵਧ ਜਾਵੇਗਾ।
ਚਿੱਤਰ OpenCV.ipynb ਤੋਂ
-
Optical Flow ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਤੀ ਪਛਾਣਣਾ। Optical flow ਸਾਨੂੰ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਵੀਡੀਓ ਫਰੇਮਾਂ 'ਤੇ ਵਿਅਕਤੀਗਤ ਪਿਕਸਲ ਕਿਵੇਂ ਹਿਲਦੇ ਹਨ। Optical flow ਦੇ ਦੋ ਪ੍ਰਕਾਰ ਹਨ:
- Dense Optical Flow ਹਰ ਪਿਕਸਲ ਲਈ ਵੇਕਟਰ ਫੀਲਡ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਕਿੱਥੇ ਹਿਲ ਰਿਹਾ ਹੈ।
- Sparse Optical Flow ਚਿੱਤਰ ਵਿੱਚ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਲੱਛਣ (ਜਿਵੇਂ ਕਿ edges) ਲੈਣ 'ਤੇ ਆਧਾਰਿਤ ਹੈ, ਅਤੇ ਫਰੇਮ ਤੋਂ ਫਰੇਮ ਤੱਕ ਉਹਨਾਂ ਦੀ ਪਤਾਅ ਬਣਾਉਂਦਾ ਹੈ।
ਚਿੱਤਰ OpenCV.ipynb ਤੋਂ
✍️ ਉਦਾਹਰਨ ਨੋਟਬੁੱਕ: OpenCV OpenCV in Action ਦੀ ਖੋਜ ਕਰੋ
ਆਓ OpenCV ਨਾਲ ਕੁਝ ਪ੍ਰਯੋਗ ਕਰੀਏ ਅਤੇ OpenCV Notebook ਦੀ ਖੋਜ ਕਰੀਏ।
ਨਿਸ਼ਕਰਸ਼
ਕਈ ਵਾਰ, ਜਟਿਲ ਕਾਰਜ ਜਿਵੇਂ ਕਿ ਗਤੀ ਪਛਾਣ ਜਾਂ ਫਿੰਗਰਟਿਪ ਪਛਾਣ ਸਿਰਫ਼ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੁਆਰਾ ਹੱਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀਆਂ ਮੂਲ ਤਕਨੀਕਾਂ ਅਤੇ OpenCV ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਕੀ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਇਹ ਜਾਣਨਾ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੈ।
🚀 ਚੁਣੌਤੀ
AI ਸ਼ੋ ਤੋਂ ਇਹ ਵੀਡੀਓ ਦੇਖੋ ਤਾਂ ਜੋ Cortic Tigers ਪ੍ਰੋਜੈਕਟ ਬਾਰੇ ਜਾਣ ਸਕੋ ਅਤੇ ਕਿਵੇਂ ਉਹਨਾਂ ਨੇ ਰੋਬੋਟ ਦੁਆਰਾ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕਾਰਜਾਂ ਨੂੰ ਲੋਕਤੰਤਰਕਰਨ ਲਈ ਇੱਕ ਬਲਾਕ-ਅਧਾਰਿਤ ਹੱਲ ਬਣਾਇਆ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਹੋਰ ਪ੍ਰੋਜੈਕਟਾਂ 'ਤੇ ਖੋਜ ਕਰੋ।
ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼
ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ
Optical flow ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ ਇਸ ਸ਼ਾਨਦਾਰ ਟਿਊਟੋਰਿਅਲ ਵਿੱਚ।
ਅਸਾਈਨਮੈਂਟ
ਇਸ ਲੈਬ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਨ ਇਸ਼ਾਰਿਆਂ ਵਾਲੀ ਵੀਡੀਓ ਲਵੋਗੇ, ਅਤੇ ਤੁਹਾਡਾ ਉਦੇਸ਼ Optical Flow ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉੱਪਰ/ਹੇਠਾਂ/ਖੱਬੇ/ਸੱਜੇ ਗਤੀ ਨੂੰ ਕੱਢਣਾ ਹੋਵੇਗਾ।
ਅਸਵੀਕਰਤਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।