Kézzelfogható látás és viselkedés az önvezető autókhoz: Fedezze fel a vizuális érzékelést, a sávfelismerést és a tárgyak osztályozását Python 3 és OpenCV 4 segítségével.

Olvasói vélemények

A könyv az önvezető technológia bevezető kézikönyveként szolgál, az OpenCV-re és a NumPy-re összpontosítva. Bár értékes betekintést és illusztrációkat nyújt, sok kritikus szerint hiányoznak belőle a matematikai alapok és a dokumentációs támogatás.

⬤ A nyílt forráskódú könyvtárak és eszközök, különösen az OpenCV és a NumPy átfogó lefedettsége.
⬤ Hasznos illusztrációk, amelyek segítik a képfeldolgozás témáinak megértését.
⬤ Praktikus példákkal és modulokkal hasznos referenciaként szolgál az önvezető technológiákon dolgozók számára.
⬤ Alkalmas olyan tanfolyamokon való felhasználásra, mint például a Udacity önvezető autókkal kapcsolatos tanterve.

⬤ A kódargumentumok részletes magyarázatának hiánya miatt az OpenCV dokumentáció gyakori megtekintését igényli.
⬤ Hiányoznak a fogalmak mélyebb megértéséhez szükséges matematikai alapok.
⬤ A térképezési és SLAM szakaszok nem tartalmaznak valós forgatókönyveket és kihívásokat.
⬤ Korlátozottan mélyrehatóan tárgyalja a teljes önvezető megoldáshoz szükséges alapvető témákat.

(3 olvasói vélemény alapján)

Eredeti címe:

Hands-On Vision and Behavior for Self-Driving Cars: Explore visual perception, lane detection, and object classification with Python 3 and OpenCV 4

Könyv tartalma:

Gyakorlati útmutató az önvezető autók vizuális észlelésének megtanulásához a számítógépes látás és az autonóm rendszerek mérnökei számára

Key Features

⬤ Tárja fel az önvezető autók vizuális észlelőrendszerének építőelemeit.

⬤ Objektek és sávok azonosítása a vezetési felületek határainak meghatározásához olyan nyílt forráskódú eszközökkel, mint az OpenCV és a Python.

⬤ Javítsa a rendszerek objektumfelismerő és osztályozó képességét neurális hálózatok segítségével.

A könyv leírása

Az önvezető autók vizuális észlelési képességei a számítógépes látás segítségével működnek. Az önvezető autókkal kapcsolatos munkák nagyjából három összetevőre oszthatók: robotika, számítógépes látás és gépi tanulás. Ez a könyv egyedülálló lehetőséget nyújt a már meglévő számítógépes látásmérnököknek és fejlesztőknek, hogy kapcsolatba kerüljenek ezzel a virágzó területtel.

Megismerkedhetsz a számítógépes látással, a mélytanulással és a mélységérzékeléssel a vezető nélküli autókra alkalmazva. A könyv strukturált és alapos bevezetést nyújt, hiszen egy valódi önvezető autó elkészítése hatalmas, több szakterületet átfogó erőfeszítés. A könyv előrehaladtával releváns eseteket fog tárgyalni működő kóddal, mielőtt megérti, hogyan használhatja az OpenCV-t, a TensorFlow-t és a Keras-t az autók kameráiból érkező videostreaming elemzésére. Később megtanulod, hogyan értelmezd és használd ki a lidarokat (fényérzékelés és távolságmérés) az akadályok azonosítására és a helyzeted lokalizálására. Sőt, olyan alapvető kihívásokkal is megbirkózhatsz majd az önvezető autókkal kapcsolatban, mint a sávok megtalálása, a gyalogos- és gyalogátkelőhelyi lámpák észlelése, szemantikus szegmentálás végrehajtása és PID-szabályozó írása.

A könyv végére olyan készségekkel leszel felvértezve, amelyekkel egy vezető nélküli autó szimulátorban futó önvezető autó kódját írhatod meg, és képes leszel megbirkózni az autonóm autók mérnökei előtt álló különböző kihívásokkal.

Amit tanulni fog

⬤ Megtanulja, hogyan kell elvégezni a kamera kalibrálását.

⬤ Tanulja meg, hogyan működik a sávfelismerés az önvezető autókban az OpenCV segítségével.

⬤ Tudja meg a viselkedésklónozást az önvezető autókkal egy videojáték-szimulátorban.

⬤ Tanuljon megbarátkozni a lidarok használatával.

⬤ Tudja meg, hogyan konfigurálja az autonóm járművek vezérlését.

⬤ Használja az objektumfelismerést és a szemantikus szegmentálást a sávok, autók és gyalogosok helyének meghatározásához.

⬤ Írjon PID-szabályozót egy szimulátorban futó önvezető autó vezérléséhez.

Kinek szól ez a könyv

Ez a könyv azoknak a szoftvermérnököknek szól, akiket érdekel az autonóm autók forradalmát hajtó technológiák megismerése. Bár a számítógépes látás és a Python programozás alapismeretei szükségesek, a fejlett mélytanulással és az érzékelők (lidar) használatával kapcsolatos előzetes ismeretek nem szükségesek.