يوفر TensorFlow عددًا من أدوات رؤية الكمبيوتر (CV) وتصنيف الصور. يقدم هذا المستند بعضًا من هذه الأدوات ويقدم نظرة عامة على الموارد التي تساعدك على البدء بمهام السيرة الذاتية الشائعة.
مكتبات وأدوات الرؤية
يوفر TensorFlow أدوات السيرة الذاتية من خلال مكتبات Keras ذات المستوى الأعلى ووحدة tf.image ذات المستوى الأدنى. بالنسبة لمعظم حالات الاستخدام، ستكون مكتبات Keras أكثر ملاءمة من بدائل TensorFlow المضمنة. ولكن إذا كانت خيارات Keras لا تناسب حالة الاستخدام الخاصة بك، أو كنت تريد التحكم بمستوى أقل في المعالجة المسبقة للصور، فقد تحتاج إلى أدوات TensorFlow ذات المستوى الأدنى.
KerasCV
إذا كنت قد بدأت للتو في مشروع السيرة الذاتية، ولم تكن متأكدًا من المكتبات والأدوات التي ستحتاج إليها، فإن KerasCV هو مكان جيد للبدء. KerasCV هي مكتبة لمكونات السيرة الذاتية المعيارية المبنية على Keras Core. يتضمن KerasCV النماذج والطبقات والمقاييس وعمليات الاسترجاعات والأدوات الأخرى التي تعمل على توسيع واجهة Keras API عالية المستوى لمهام السيرة الذاتية. يمكن أن تساعد واجهات برمجة تطبيقات KerasCV في زيادة البيانات وتصنيفها واكتشاف الكائنات وتقسيمها وإنشاء الصور ومسارات عمل السيرة الذاتية الشائعة الأخرى. يمكنك استخدام KerasCV لتجميع خطوط أنابيب التدريب والاستدلال الحديثة على مستوى الإنتاج بسرعة.
المرافق كيراس
يوفر tf.keras.utils العديد من الأدوات المساعدة لمعالجة الصور عالية المستوى. على سبيل المثال، يقوم tf.keras.utils.image_dataset_from_directory بإنشاء tf.data.Dataset من دليل الصور الموجودة على القرص.
tf.image
إذا لم يكن KerasCV مناسبًا لحالة الاستخدام الخاصة بك، فيمكنك استخدام tf.image و tf.data لكتابة مسارات أو طبقات زيادة البيانات الخاصة بك.
تحتوي وحدة tf.image على وظائف مختلفة لمعالجة الصور، مثل tf.image.flip_left_right و tf.image.rgb_to_grayscale و tf.image.adjust_brightness و tf.image.central_crop و tf.image.stateless_random* .
تتيح لك واجهة برمجة التطبيقات tf.data إنشاء مسارات إدخال معقدة من أجزاء بسيطة وقابلة لإعادة الاستخدام.
مجموعات بيانات TensorFlow
مجموعات بيانات TensorFlow عبارة عن مجموعة من مجموعات البيانات الجاهزة للاستخدام مع TensorFlow. يمكن استخدام العديد من مجموعات البيانات (على سبيل المثال، MNIST و Fashion-MNIST و TF Flowers ) لتطوير واختبار خوارزميات رؤية الكمبيوتر.
من أين أبدا
ستساعدك الموارد التالية على تشغيل أدوات TensorFlow وKeras CV.
- KerasCV : الوثائق والموارد الخاصة بـ KerasCV.
- أدلة مطوري KerasCV : أدلة لأداء مهام السيرة الذاتية الشائعة باستخدام KerasCV. إذا كنت جديدًا في KerasCV، فإن Classification with KerasCV يعد مكانًا جيدًا للبدء.
دروس TensorFlow : تتضمن وثائق TensorFlow الأساسية (هذا الدليل) عددًا من البرامج التعليمية الخاصة بالسيرة الذاتية ومعالجة الصور.
- التصنيف الأساسي: تصنيف صور الملابس : تدريب نموذج شبكة عصبية لتصنيف صور الملابس، مثل الأحذية الرياضية والقمصان.
تحميل الصور ومعالجتها مسبقًا : قم بتحميل مجموعة بيانات الصورة ومعالجتها مسبقًا بثلاث طرق:
- استخدم أدوات المعالجة المسبقة عالية المستوى من Keras لقراءة دليل الصور الموجودة على القرص.
- اكتب مسار الإدخال الخاص بك من البداية باستخدام
tf.data. - قم بتنزيل مجموعة بيانات من الكتالوج الكبير المتوفر في TensorFlow Datasets .
تحميل بيانات الفيديو : قم بتحميل بيانات فيديو AVI ومعالجتها مسبقًا باستخدام مجموعة بيانات العمل البشري UCF101 .
الشبكة العصبية التلافيفية (CNN) : تدريب شبكة عصبية تلافيفية بسيطة (CNN) لتصنيف صور CIFAR باستخدام Keras API .
تصنيف الصور : تصنيف صور الزهور باستخدام نموذج
tf.keras.Sequentialوتحميل البيانات باستخدامtf.keras.utils.image_dataset_from_directory.نقل التعلم والضبط الدقيق : قم بتصنيف صور القطط والكلاب باستخدام نقل التعلم من شبكة مدربة مسبقًا.
زيادة البيانات : قم بزيادة تنوع مجموعة التدريب الخاصة بك عن طريق تطبيق تحويلات عشوائية (ولكنها واقعية)، مثل تدوير الصورة.
تجزئة الصورة : قم بإجراء تجزئة الصورة باستخدام U-Net المعدل.
تصنيف الفيديو باستخدام شبكة عصبية تلافيفية ثلاثية الأبعاد : تدريب شبكة عصبية تلافيفية ثلاثية الأبعاد (CNN) لتصنيف الفيديو باستخدام مجموعة بيانات التعرف على الإجراءات UCF101 .
نقل التعلم لتصنيف الفيديو باستخدام MoViNet : استخدم نموذج MoViNet المُدرب مسبقًا ومجموعة بيانات UCF101 لتصنيف مقاطع الفيديو لمهمة التعرف على الإجراءات.