Как научиться представлять образы


Учимся визуализировать - практика и упражнения

А вы визуализируете свои желания?

Если еще нет, то почему?

Возможно вы:

  • не можете создать образ в голове,
  • у вас не получается сосредоточиться,
  • вы засыпаете,
  • или вообще не знаете что представлять…

Важно! Причин, почему вы не используете визуализацию для исполнения своих желаний может быть много, но все они берут корни из одного факта — вы не знаете точно, как визуализировать.

Узнать сейчас >>>

Если это про вас, значит моя статья вам поможет.

Сегодня я дам вам практикум, как научиться визуализировать желания.

Какие еще важные моменты существуют для визуализации желаний, смотрите в этом видео 

Это будут конкретные упражнения, которые нужно сделать поочередно в несколько дней. Сначала попрактикуйтесь, потом приступайте к визуализации вашего желания.

 

Практика визуализации 

Любая визуализация состоит из трех этапов:

  1. Расслабление тела и разума.
  2. Представление мысленного образа (картинка).
  3. Настройка ощущений и эмоций. 

Каждый этап важен для успеха общего дела — исполнения вашего желания.

Начнем с релаксации.

Без релаксации – полного расслабления всего тела – невозможно войти в альфа-состояние.

Кому-то расслабление дается легче, кому-то тяжелее.

Возбуждение нервной системы, напряжение мышц – это неотъемлемые спутники нашей жизни. Когда возбуждение и напряжение накапливаются и становятся привычным состоянием, сбросить его оказывается не так-то легко.

А если напряжение не сбрасывать, то оно перерастает в хронический стресс, отчего страдает и здоровье, и качество жизни.

Вам будет гораздо легче расслабиться, если вы начнете изо дня в день (лучше вечером, это еще и улучшает сон) применять следующие приемы релаксации. Можно практиковать их поочередно либо выбрать те, которые лучше вам помогают.

По теме: Как релаксация поможет вам исполнять желания?

Учимся релаксации

Упражнение на расслабление «кулаки»

Сядьте или лягте в любую удобную позу, закройте глаза и начинайте сжимать кулаки.

Сжимайте их все сильнее и сильнее – так сильно, как только сможете. Достигнув предельного напряжения, прекратите всякие усилия. Руки сами собой расслабятся. Запомните это приятное ощущение – это и есть состояние настоящей релаксации.
Затем точно так же поочередно создавайте и отпускайте напряжение в ступнях, голенях, бедрах, плечах, шее, лице. Затем напрягите все тело сразу – и резко отпустите напряжение.

Повторите несколько раз.

Упражнение на релаксацию «вдох-выдох»

Лягте или сядьте в удобную позу, закройте глаза, дышите глубоко, плавно и медленно.

Представьте себе, как с каждым выдохом по вашему телу сверху вниз проходит волна, которая уносит все напряжение, и оно выходит из вашего тела через стопы ног.

Полностью выдохнув весь воздух из легких, на несколько секунд задержите дыхание и направьте внимание на свое тело, проверяя, где еще осталось напряжение. Вдохните и на выдохе снова представьте, что расслабляющая волна уносит из тела все напряжение.

Повторите несколько раз.

Упражнение на релаксацию «воздух»

Лягте или сядьте в удобную позу, закройте глаза.

Дышите медленно, плавно, глубоко.

Вдыхая, представляйте себе, что вдыхаемый вами воздух входит не в дыхательные пути, а в ноги.

Выдыхая, представляйте себе, что воздух из ног выходит наружу, а с ним уходит напряжение.

На следующем выдохе представьте себе, что воздух входит в руки, а на выдохе выходит, унося напряжение. Затем с каждым следующим вдохом поочередно представляйте себе, как воздух входит в живот, грудную клетку, спину, шею, голову, а на выдохе уходит, унося напряжение.

За 3–5 минут такого дыхания вы полностью расслабитесь.

Упражнение на расслабление «надувной матрас»

Это упражнение выполняется лежа на спине. Закройте глаза, дышите глубоко, ровно, размеренно.

Представьте себе, что ваше тело стало подобно надувному матрасу, накачанному воздухом.

Вот вы мысленно вынимаете из «матраса» «пробку», и воображаемый воздух начинает выходить. Почувствуйте себя таким сдувающимся матрасом – ваше тело тяжелеет, плотнее вдавливается в поверхность, на которой вы лежите, и наконец превращается в сдувшуюся «тряпочку».

На расслабление вам потребуется 2–3 минуты.

Упражнение на расслабление «песочное тело»

Это упражнение тоже требует подключения воображения.

Лежа на спине, закройте глаза, дышите глубоко, медленно, ровно.

Представьте себе, что ваше тело – это мешок с песком. Оно тяжелое и неподвижное. Но вот песок начинает высыпаться через дырочки в мешковине.

Он медленно вытекает тонкими струйками.

Вместе с ним уходят тяжесть и напряжение. Тело становится легким и как бы бесформенным.

Вы можете даже перестать ощущать границы своего тела, словно «растворившись» в окружающем пространстве.

Если вы выполняете это упражнение перед сном, оно поможет вам заснуть. Но если вам предстоит встать и вернуться к обычным делам, то, расслабившись и отдохнув как следует, затем несколько раз сожмите и разожмите кулаки и потянитесь, чтобы вернуть себе ощущение своего тела.

Упражнения на релаксацию не только облегчают выход на альфа-уровень, но являются целительными сами по себе, значительно снижая уровень стресса и помогая быстро отдохнуть, восстановить силы.

И я точно знаю, о чем говорю >>>

Учимся визуализировать

Это упражнение состоит из нескольких частей, рассчитанных на выполнение в два этапа по пять дней (оно приводится в книге Хосе Сильвы и Роберта Стоуна «Получение помощи от “другой стороны” по методу Сильва»).

День ото дня оно помогает выходить на новые уровни визуализации и создавать все более четкие, яркие и объемные образы.

Первый день.

В послеобеденное время выйдите на альфа-уровень и представьте себе большой зеленый арбуз.

Затем представьте, как кто-то режет его пополам и он распадается на две половинки. Отметьте, как выглядят разрезанные половинки. Затем представьте себе, что вы складываете половинки вместе и они исчезают.

Вернитесь в обычное состояние. Вспомните, как выглядели в вашем воображении половинки разрезанного арбуза.

Был арбуз зрелый или не очень?

Какой оттенок красного цвета вы увидели?

Какого размера и цвета были косточки?

Заметьте, в задании не говорилось о том, что вы должны увидеть все эти детали – ваше воображение сделало эту работу само.


Второй день.

Выйдите на альфа-уровень и представьте, как выглядит ваше отражение в зеркале.

Мысленно вглядитесь в свое лицо и увидьте черты лица как можно более четко.

Если это не сразу удается, вернитесь в обычное состояние, рассмотрите себя в зеркале, стараясь запомнить, и предпримите еще одну попытку визуализации своего облика.

Третий день.

Выйдите на альфа-уровень и визуализируйте кого-то из ваших близких, друзей или знакомых – кого вы хорошо знаете.

Постарайтесь четко представить лицо.

Если у вас трудности с памятью на лица, перед упражнением хорошенько вглядитесь в этого человека и постарайтесь хорошо, до деталей, запомнить его облик.

Четвертый день.

Вспомните какое-то тихое, спокойное место на природе, где вы бывали и чувствовали себя там хорошо и комфортно.

Войдите в альфа-состояние и визуализируйте это место.

В этом видео я рассказываю о простом способе выхода на альфа-уровень.

Затем визуализируйте себя там. Представьте себе, что вы в самом деле перенеслись туда. Пусть картина будет как можно более реальной.

Снова испытайте то спокойное и комфортное состояние, которое вы испытывали там. Если это поможет вам успокоиться и расслабиться, в дальнейшем вы сможете мысленно переноситься в это место для релаксации и работы на альфа-уровне.


Пятый день.

Хорошенько рассмотрите свой дом – как он выглядит снаружи.

Затем выйдите на альфа-уровень и визуализируйте его.

Воспроизведите мысленно все малейшие детали, особенности расцветки, фактуры стен и т. д. – чем более подробно вы представите себе ваш дом, тем лучше.

Упражнения на визуализацию в следующие дни

В последующие пять дней эти упражнения повторяются в несколько измененном виде, в результате чего некоторые из них помогут не только глубже освоить визуализацию, но и внести позитивные перемены в вашу жизнь.

  1. Визуализируя арбуз, теперь представляйте не только его вид, но и запах и вкус. Затем позвольте арбузу исчезнуть и повторите все то же самое с лимоном; луковицей; любым фруктом или овощем по желанию.
  2. Визуализируя себя в зеркале, представьте себя более молодым, здоровым, жизнерадостным и энергичным.
  3. Визуализируя друга или родственника, мысленно простите ему все обиды, конфликты и недоразумения и представьте себе, как вы сами попросите у него прощения.
  4. Визуализируя тихое спокойное место, представляйте себя в нем сильным, уверенным, здоровым, богатым, процветающим, способным к созидательной деятельности для преображения мира к лучшему.
  5. Визуализируя дом, мысленно окружите его белым светом и представьте себе, что это свет любви и защиты, в котором вы находитесь постоянно.

Учимся ощущать и чувствовать во время визуализации

Чтобы образы, создаваемые в нашем воображении, стали по-настоящему действенными и могли преображать нашу реальность, сами эти образы должны стать как можно более реальными.

Все, что окружает нас в реальности, мы воспринимаем не только зрительно, но и при помощи других органов чувств.

Мы слышим звуки, ощущаем запах и вкус, чувствуем прикосновения. Если мы в своем воображении насытим мысленные образы этими же ощущениями – у них будет гораздо больше шансов осуществиться в реальности.

Для тренировки в этом сделайте следующее.

Выберите один или несколько из названных образов и представляйте их поочередно как можно более подробно:

• вы держите в руке ярко-желтый лимон;
• вы режете большое красное яблоко, потом едите его, ощущаете его вкус и запах;
• вы прикасаетесь ладонью к прохладному стеклу;
• вы прикасаетесь ладонью к шершавому бетону;
• ваши ноги ступают по горячему песку;
• ваши ноги ступают по прохладной шелковистой траве;
• кусочек шоколада тает у вас во рту;
• вы пьете прохладную воду в жаркий день;
• вы срываете ягоду клубники и едите ее;
• вы на морском берегу, слышите шум прибоя, ощущаете брызги воды на своей коже, припекающее солнце и касание теплого ветерка;
• вы в лесу, ощущаете запах нагретых солнцем сосен, слышите пение птиц и стрекот кузнечиков;
• вы держите в руках роскошный букет, в котором не менее пяти разновидностей цветов (увидьте, какие именно), вы осязаете его, вдыхаете аромат, видите объем, цвет, размер каждого цветка.

Вы можете сами по своему желанию создавать любые мысленные образы и подключать к их восприятию все органы чувств.

Тренируйтесь в этом ежедневно, и вы научитесь очень легко и быстро создавать в воображении любые самые сложные образы во всей их полноте, яркости и объемности. 

А если вы хотите узнать  о моей личной практике визуализации, приходите на бесплатный мастер-класс >>>

Это основные упражнения, которые помогут научиться визуализировать, такая практика визуализации научит вас исполнять свои желания легко и быстро.

Читайте также:

Поезд ИИ распознавания изображений с 5 строками кода | автор: Мозес Олафенва

В этой статье мы кратко познакомим с областью искусственного интеллекта, в частности компьютерным зрением, связанными с этим проблемами, существующими современными решениями этих проблем и тем, как вы можете легко и удобно применять эти решения, не занимая много времени и усилие.

Искусственный интеллект на протяжении десятилетий был областью исследований, в которой как ученые, так и инженеры прилагали активные усилия, чтобы разгадать тайну того, как заставить машины и компьютеры воспринимать и понимать наш мир достаточно хорошо, чтобы действовать должным образом и служить человечеству.Один из наиболее важных аспектов этой исследовательской работы - научить компьютеры понимать визуальную информацию (изображения и видео) , генерируемую ежедневно вокруг нас. Эта область, позволяющая компьютерам воспринимать и понимать визуальную информацию, известна как компьютерное зрение.

Во время подъема исследований искусственного интеллекта в период с 1950 до 1980 с компьютерами вручную давали инструкции о том, как распознавать изображения, объекты на изображениях и на какие особенности обращать внимание.Этот метод является традиционным алгоритмом и получил название Expert Systems , поскольку он требует, чтобы люди взяли на себя труд идентифицировать особенности каждой уникальной сцены объекта, который должен быть распознан, и отображать эти особенности в математических моделях, понятных компьютеру. Это требует огромной утомительной работы, потому что существуют сотни и тысячи различных способов представления объекта, а также существуют тысячи (или даже миллионы) различных сцен и объектов, которые уникально существуют, и, следовательно, поиск оптимизированных и точных математических моделей для представляют все возможные особенности каждого объекта или сцены, и для всех возможных объектов или сцены больше работы, которая будет длиться вечно.

Затем, в 1990 s, была представлена ​​концепция Machine Learning , и она открыла эру, в которой вместо того, чтобы указывать компьютерам, на что обращать внимание при распознавании сцен и объектов в изображениях и видео, мы можем вместо этого разработать алгоритмы, которые заставят компьютеры научиться распознавать сцены и объекты на изображениях самостоятельно, точно так же, как ребенок учится понимать свое окружение, исследуя. Машинное обучение открыло для компьютеров возможность научиться распознавать практически любую сцену или объект, который нам тоже нужен.

С появлением мощных компьютеров, таких как NVIDIA GPU s, и новейших алгоритмов Deep Learning для распознавания изображений, таких как AlexNet в 2012 году Алексом Крижевским и др., ResNet в 2015 году Кэминг Хе и др., SqueezeNet в 2016 г. Форрест Ландола и др., DenseNet в 2016 г. Гао Хуанг и др., если упомянуть несколько, можно объединить несколько изображений (больше похоже на книги с изображениями для компьютеров ) и определить модель искусственного интеллекта, чтобы самостоятельно изучить особенности сцен и объектов на этих изображениях и использовать знания, полученные в процессе обучения, для распознавания всех других экземпляров типа сцены или объектов, с которыми он столкнется после.

Чтобы обучить модель искусственного интеллекта, которая может распознавать все, что вы хотите, чтобы она распознавала на изображениях, традиционно требует большого опыта в прикладной математике и использования библиотек глубокого обучения, не говоря уже о затрачиваемом времени и стрессе, который вам придется пройти. чтобы написать код алгоритма и подогнать его под ваши изображения. Здесь мы предоставили свои решения.

Наша команда в AI Commons разработала библиотеку Python, которая может позволить вам обучать модель искусственного интеллекта, которая может распознавать любой объект, который вы хотите, чтобы он распознавал на изображениях, используя всего за 5 простых строк кода Python. Библиотека python - это ImageAI , библиотека, созданная, чтобы позволить студентам, разработчикам и исследователям с любым уровнем знаний создавать системы и приложения с самыми современными возможностями компьютерного зрения , используя от 5 до 15 простые строчки кода. Теперь давайте проведем вас через создание вашей первой модели искусственного интеллекта, которая может распознавать все, что вы хотите.

Для обучения модели искусственного интеллекта вам понадобится набор изображений, который называется набором данных . Набор данных содержит от сотен до тысяч образцов изображений объектов, которые должна распознавать модель искусственного интеллекта. Но не беспокойтесь! Мы не просим вас прямо сейчас пойти и загрузить тысячи изображений только для тренировки вашей модели искусственного интеллекта. Для этого руководства мы предоставили набор данных под названием IdenProf . IdenProf («Идентифицируемые профессионалы») - это набор данных, содержащий 11000 фотографий 10 разных профессионалов, которые люди могут видеть и распознавать их работу по их стилю одежды.Классы профессионалов, фотографии которых представлены в этом наборе данных, следующие:

· Повар

· Доктор

· Инженер

· Фермер

· Пожарный Судья 00050002

· Механик

· Пилот

· Полиция

· Официант

Этот набор данных разделен на 9000 (900 изображений для каждой профессии) изображений моделей искусственного интеллекта для обучения моделей искусственного интеллекта и 2000 (200 изображений для каждой профессии) изображений для проверки производительности модели искусственного интеллекта в процессе обучения.IdenProf был должным образом организован и подготовлен для обучения вашей модели искусственного интеллекта распознаванию профессионалов по их стилю одежды. В справочных целях, если вы используете собственный набор данных изображений, вы должны собрать не менее 500 изображений для каждого объекта или сцены, которые вы хотите, чтобы ваша модель искусственного интеллекта распознавала. Чтобы обучить любой набор данных изображений, который вы собираете сами с помощью ImageAI, , вы должны расположить изображения в папках, как показано в примере ниже:

  identifyprof // train // chef // 900 изображений поваров   identprof // train / / доктор // 900 изображений врачей   IDPROF // поезд // инженер // 900 изображений инженера   IDFO // поезд // фермер // 900 изображений фермеров   IDOFOF // поезд // пожарный // 900 изображения пожарных   идопроф // поезд // судья // 900 изображений судей   идопроф // поезд // механик // 900 изображений механика   идопроф // поезд // пилот // 900 изображений пилотов   Idenprof // поезд // шеф-повар // 900 изображений шеф-повара   identifyprof // поезд // полиция // 900 изображений полиции   Idenprof // поезд // официант // 900 изображений официантов   identifyprof // test / / шеф-повар // 200 изображений поваров   Idenprof // тест // врач // 200 изображений врачей   Idenprof // тест // инженер // 200 изображений engi neer   Idenprof // тест // фермер // 200 изображений фермеров   identifyprof // тест // пожарный // 200 изображений пожарных   identifyprof // тест // судья // 200 изображений судей   identifyprof / / тест // механик // 200 изображений механиков   identifyprof // тест // пилот // 200 изображений пилотов   identifyprof // тест // шеф-повар // 200 изображений шеф-повара   identifyprof // тест // полиция // 200 изображений полиции   identifprof // тест // официант // 200 изображений официантов  

Теперь, когда вы понимаете, как подготовить собственный набор данных изображений для обучения моделей искусственного интеллекта, мы приступим к инструкциям по обучению модель искусственного интеллекта для распознавания профессионалов с помощью ImageAI.

· Сначала вы должны загрузить zip-архив с набором данных IdenProf по этой ссылке. Также вы можете просмотреть все детали и образцы результатов моделей искусственного интеллекта, обученных распознавать профессии, в репозитории IdenProf GitHub, ссылка на который находится ниже.

https://github.com/OlafenwaMoses/IdenProf

· Поскольку для обучения моделей искусственного интеллекта требуются высокопроизводительные компьютерные системы, я настоятельно рекомендую вам убедиться, что ваш компьютер / ноутбук, который вы хотите использовать для этого обучения, оснащен графическим процессором NVIDIA . В качестве альтернативы вы можете использовать Google Colab для этого эксперимента, так как он предлагает бесплатный NVIDIA K80 GPU для экспериментов.

· Затем вы должны установить ImageAI и его зависимости.

1) Загрузите и установите Python 3.6 с официального веб-сайта Python Language

https://www.python.org/downloads/release/python-360/

2) Установите следующие зависимости через pip:

и. TensorFlow

  pip3 установить tenorflow == 1.13,1  

ii. OpenCV

  pip3 установить opencv-python  

iii. Keras

  pip3 install keras == 2.2.4  

iv. Numpy

  pip3 install numpy == 1.16.1  

v. ImageAI

pip3 install imageai --upgrade

· Создайте файл python с любым именем, которое вы хотите, например «FirstTraining.py» .

· Скопируйте zip-архив набора данных IdenProf в папку, где находится ваш файл Python.Затем разархивируйте его в ту же папку.

· Затем скопируйте приведенный ниже код в файл python (например, FirstTraining.py ).

Вот и все! Это весь код, необходимый для обучения модели искусственного интеллекта. Прежде чем запускать код, чтобы начать обучение, давайте объясним код.

В первой строке мы импортировали учебный класс модели ImageAI. Во второй строке мы создали экземпляр класса обучения модели. В третьей строке мы устанавливаем тип модели ResNet (доступно четыре типа моделей: SqueezeNet , ResNet , InceptionV3 и DenseNet ).В четвертой строке мы устанавливаем каталог данных (каталог набора данных) в папку zip-файла набора данных , который вы распаковали. Затем в пятой строке мы вызываем функцию trainModel и указываем следующие значения:
number_objects : Это относится к числу различных типов профессионалов в наборе данных IdenProf.
num_experiments : Это количество раз, когда обучающий модели будет изучать все изображения в наборе данных identifyprof для достижения максимальной точности.
Enhance_data (необязательно) : указывает обучающему модулю создавать измененные копии изображений в наборе данных IdenProf для обеспечения максимальной точности.
batch_size: Это относится к количеству изображений в наборе, которые обучающий модели будет изучать одновременно, пока не изучит все изображения в наборе данных IdenProf.
Show_network_summary (необязательно) : показывает структуру типа модели, которую вы используете для обучения модели искусственного интеллекта.

Теперь вы можете запустить файл Python и начать обучение. Когда начнется обучение, вы увидите результаты, подобные приведенному ниже:

 ================================== === 

Всего параметров: 23,608,202

Обучаемые параметры: 23,555,082

Необучаемые параметры: 53,120

______________________________________

Использование расширенной генерации данных

Найдено 4000 изображений, принадлежащих 4 классам.

Найдено 800 изображений, относящихся к 4 классам.

Сопоставление JSON для классов моделей, сохраненных в C: \ Users \ User \ PycharmProjects \ FirstTraining \ identifyprof \ json \ model_class.json

Количество экспериментов (эпох): 200

Эпоха 1/100

1/280 [>. ............................] - ETA: 52 с - потеря: 2.3026 - в соответствии: 0.2500

2/280 [> ... ..........................] - Расчетное время прибытия: 52 с - потеря: 2.3026 - согласно: 0.25003 / 280 [> ....... ......................] - ETA: 52с - потеря: 2.3026 - в соответствии: 0.2500 ............... ...............,
..............................,
...................... ........, 279/280 [===========================> ..] - ETA: 1s - потеря : 2.3097 - acc: 0.0625Epoch 00000: сохранение модели в C: \ Users \ User \ PycharmProjects \ FirstTraining \ Idenprof \ models \ model_ex-000_acc-0.100000.h5

280/280 [=========== ===================] - 51 с - потеря: 2.3095 - acc: 0.0600 - val_loss: 2.3026 - val_acc: 0.1000

Давайте объясним детали, показанные выше:

1. Утверждение « Сопоставление JSON для классов моделей, сохраненных в C: \ Users \ User \ PycharmProjects \ FirstTraining \ identifyprof \ json \ model_class.json ”означает, что тренер моделей сохранил файл JSON для набора данных identifyprof, который вы можете использовать для распознавания других изображений с помощью пользовательского класса предсказания изображений (объяснение доступно по мере чтения).

2. Линия Эпоха 1/200 означает, что сеть выполняет первое обучение целевого 200
3. Линия 1/280 [> ……………………… ..] - ETA: 52s - потеря: 2.3026 - acc: 0.2500 представляет количество партий, которые были обучены в текущем эксперименте
4.Строка Epoch 00000: сохранение модели в C: \ Users \ User \ PycharmProjects \ FirstTraining \ identifyprof \ models \ model_ex-000_acc-0.100000.h5 относится к модели, сохраненной после текущего обучения. ex_000 представляет эксперимент на этом этапе, тогда как acc 0,100000 и val acc: 0,1000 представляет точность модели на тестовых изображениях после настоящего эксперимента (максимальное значение точности 1.0). Этот результат помогает определить наиболее эффективную модель, которую вы можете использовать для пользовательского прогнозирования изображения.

После того, как вы закончите обучение своей модели искусственного интеллекта, вы можете использовать класс « CustomImagePrediction », чтобы выполнить прогнозирование изображения с вашей моделью, которая достигла высочайшей точности.

На случай, если вы не смогли самостоятельно обучить модель искусственного интеллекта из-за отсутствия доступа к графическому процессору NVIDIA , для целей этого руководства мы предоставили модель искусственного интеллекта, которую мы обучили на IdenProf набор данных, который вы можете использовать прямо сейчас, чтобы прогнозировать новые изображения любого из 10 профессионалов, включенных в набор данных.Эта модель достигла точности более 79% после 61 обучающих экспериментов. Щелкните эту ссылку, чтобы загрузить модель. Кроме того, если вы не выполняли обучение самостоятельно, также загрузите файл JSON модели идентификатора по этой ссылке. Затем вы готовы приступить к распознаванию профессионалов с помощью обученной модели искусственного интеллекта. Просто следуйте инструкциям ниже.

Затем создайте еще один файл Python и дайте ему имя, например FirstCustomImageRecognition.py . Скопируйте модель искусственного интеллекта, которую вы скачали выше, или ту, которую вы обучили, которая достигла максимальной точности, и вставьте ее в папку, где находится ваш новый файл python (например, FirstCustomImageRecognition.py ). Также скопируйте файл JSON , который вы скачали или сгенерировали во время обучения, и вставьте его в ту же папку, что и ваш новый файл python. Скопируйте образцы изображений любого профессионала, попадающего в категории набора данных IdenProf, в ту же папку, что и ваш новый файл python.

Затем скопируйте приведенный ниже код и поместите его в новый файл python.

Просмотрите образец изображения и результат ниже.

 официант: 99.99997615814209chef: 1.568847380895022e-05judge: 1.0255866556008186e-05 

Это было просто! Теперь давайте объясним приведенный выше код, который дал этот результат прогноза.

Первая и вторая строки кода выше импортируют класс ImageAI CustomImagePrediction для прогнозирования и распознавания изображений с помощью обученных моделей и класса python os .Третья строка кода создает переменную, которая содержит ссылку на путь, содержащий ваш файл python (в этом примере, ваш FirstCustomImageRecognition.py ) и файл модели ResNet , который вы загрузили или обучили самостоятельно. В приведенном выше коде мы создали экземпляр класса ImagePrediction () в четвертой строке, а затем установили тип модели объекта прогнозирования ResNet , вызвав метод. setModelTypeAsResNet () в пятой строке, а затем мы устанавливаем путь модели объекта прогноза к пути файла модели искусственного интеллекта ( identifyprof_061–0.7933.h5 ) копируем в папку с проектом в шестой строке. В седьмой строке мы задаем путь к файлу JSON , который мы скопировали в папку в седьмой строке, и загрузили модель в восьмидесятую строку. Наконец, мы выполнили прогноз на изображении, которое скопировали в папку, и распечатали результат в Command Line Interface .

Итак, вы узнали, как использовать ImageAI для легкого обучения вашей собственной модели искусственного интеллекта, которая может предсказывать любой тип объекта или набор объектов на изображении.

Если вы хотите узнать все о том, как работает распознавание изображений, со ссылками на более полезные и практичные ресурсы, посетите Image Recognition Guide , ссылка на которые приведена ниже.

Вы можете найти все детали и документацию по использованию ImageAI для обучения пользовательских моделей искусственного интеллекта, а также других функций компьютерного зрения, содержащихся в ImageAI , в официальном репозитории GitHub.

Если вы нашли эту статью полезной и вам она понравилась, пожалуйста, дайте ей аплодисментов . Также не стесняйтесь поделиться им с друзьями и коллегами.

У вас есть вопросы, предложения или вы хотите связаться со мной? Отправьте мне письмо на адрес [email protected]. Я также доступен в Twitter по адресу @OlafenwaMoses и в Facebook по адресу https://www.facebook.com/moses.olafenwa.

.

Как представить изображение или звук через векторы для косинусного подобия?

Переполнение стека
  1. Около
  2. Товары
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
  4. Талант
.

javascript - Как мне найти изображения для представления пользовательского текста?

Переполнение стека
  1. Около
  2. Товары
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
  4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
.

Как представить изображение как длину сжатого файла Gif?

Переполнение стека
  1. Около
  2. Товары
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии
.

Смотрите также