Необходимо сгенерировать изображения, не затрачивая при этом много времени? Предлагаю обратить внимание на две библиотеки, которые помогут это сделать — Pillow и Numpy.

Доброе утро! Сегодня поговорим о применении аугментации, которая позволяет увеличить объем исходного количества изображений за счет их изменений: поворот, растягивание/сжатие, изменение цветов.

Огромную долю в восприятии информации человеком занимает визуальная информация. Практически всё в мире можно представить в виде изображения. Изображения и видео могут содержать в себе очень много данных — именно поэтому задачи по обработке изображений человек отдает машине.

Играли ли вы в детстве в игру, в которой необходимо было найти отличия в изображениях? В посте буду решать похожую задачу по поиску изображений. Найду все похожие изображения из датасета на загруженную фотографию из того же датасета.

Поиграем в Судоку?

Для машинного обучения в специфических областях очень остро стоит проблема нехватки данных для обучения. В посте рассмотрю один из способов генерировать изображения

Классическая задача Computer Vision – задача распознавания и сегментирования. Это когда на фотографии или видео распознается объект и выделяется область, в которой он находится. Для ряда прикладных задач этого достаточно, но встречаются задачи, где помимо расположения человека важно проанализировать положение его тела, т.е. позу. Эффективно и просто справиться с этой задачей поможет инструмент OpenPose.