- Видео 30
- Просмотров 181 089
Udo Würtz
Германия
Добавлен 5 авг 2018
Artificial Intelligence Trainings
Digitaler Zwilling auf Basis KI, Augmented- und Virtual Reality
Was ist der „Digitale Zwilling“? Und welchen Mehrwert hat diese Technologie für industrielle Unternehmen? Ein Digitaler Zwilling bietet das Potenzial, komplexe Produktionsprozesse zu optimieren. Wie das funktionieren kann, seht Ihr hier in diesem Video.
Просмотров: 1 130
Видео
[4/4] JP Performance meets AI: Die KI fährt selbst auf der Rennstrecke!
Просмотров 1 тыс.3 года назад
Im letzten Teil der Serie mit JP Performance wird es ernst. In dieser Folge fährt ein Recnnwagen autonom eine Kursstrecke. Ob das gut geht? Seht selbst :)
[3/4] JP Performance meets AI: Autonomes Fahren - WarmUp!
Просмотров 5283 года назад
Im dritten Teil der Serie geht es um die Vorbereitung zum autonomen Fahren. Es geht um diverse Technologien, die man braucht und dass das Ganze alles aber definitiv nicht einfach ist. Der WarmUp bevor es auf die Rennstrecke geht!
[2/4] JP Performance meets AI: Objekterkennung & Technologie
Просмотров 6213 года назад
Weiter geht es mit Teil der Serie mit JP Performance. Heute geht es um Objekterkennung und Technologie anhand einer Autorennbahn. Das Projekt könnt Ihr übrigens selbst nachbauen, alle notwendigen Videos dazu findet Ihr hier auf wiegehtki.de Sourcecodes stehen wie immer auf wiegehtki.dev zum Download bereit.
[1/4] JP Performance meets AI: Grundlagen Künstliche Intelligenz
Просмотров 9563 года назад
In dem gemeinsamen Video mit JP Performance geht es um Grundlagen KI. Das Ganze als Vorbereitung zum, wie könnte es anders sein, autonomen Fahren. Have fun!
Trainiertes Modell anwenden: YOLO Modelle selber trainieren, Folge 5
Просмотров 1,4 тыс.3 года назад
In dieser Serie von insgesamt 5 Videos geht es um das Trainieren von YOLO - Modellen mit eigenen Daten, auch "custom sets" genannt. Das bedeutet, dass ihr Euer ganz persönliches Modell trainieren könnt. Dazu sind neben dem grundsätzlichen Verständnis der Thematik verschiedene Schritte notwendig, wie zum Beispiel das Erzeugen und Labeln von Daten, das Training, die Bewertung des Trainings und ei...
Prüfen des trainierten Modells: YOLO Modelle selber trainieren, Folge 4
Просмотров 9233 года назад
In dieser Serie von insgesamt 5 Videos geht es um das Trainieren von YOLO - Modellen mit eigenen Daten, auch "custom sets" genannt. Das bedeutet, dass ihr Euer ganz persönliches Modell trainieren könnt. Dazu sind neben dem grundsätzlichen Verständnis der Thematik verschiedene Schritte notwendig, wie zum Beispiel das Erzeugen und Labeln von Daten, das Training, die Bewertung des Trainings und ei...
Das Training durchführen: YOLO Modelle selber trainieren, Folge 3
Просмотров 2,6 тыс.3 года назад
In dieser Serie von insgesamt 5 Videos geht es um das Trainieren von YOLO - Modellen mit eigenen Daten, auch "custom sets" genannt. Das bedeutet, dass ihr Euer ganz persönliches Modell trainieren könnt. Dazu sind neben dem grundsätzlichen Verständnis der Thematik verschiedene Schritte notwendig, wie zum Beispiel das Erzeugen und Labeln von Daten, das Training, die Bewertung des Trainings und ei...
Daten erzeugen und labeln: YOLO Modelle selber trainieren, Folge 2
Просмотров 2,5 тыс.3 года назад
In dieser Serie von insgesamt 5 Videos geht es um das Trainieren von YOLO - Modellen mit eigenen Daten, auch "custom sets" genannt. Das bedeutet, dass ihr Euer ganz persönliches Modell trainieren könnt. Dazu sind neben dem grundsätzlichen Verständnis der Thematik verschiedene Schritte notwendig, wie zum Beispiel das Erzeugen und Labeln von Daten, das Training, die Bewertung des Trainings und ei...
Basiswissen: YOLO Modelle selber trainieren, Folge 1
Просмотров 2,6 тыс.3 года назад
In dieser Serie von insgesamt 5 Videos geht es um das Trainieren von YOLO - Modellen mit eigenen Daten, auch "custom sets" genannt. Das bedeutet, dass ihr Euer ganz persönliches Modell trainieren könnt. Dazu sind neben dem grundsätzlichen Verständnis der Thematik verschiedene Schritte notwendig, wie zum Beispiel das Erzeugen und Labeln von Daten, das Training, die Bewertung des Trainings und ei...
Fragen und Antworten - Basiswissen Neuronale Netze
Просмотров 1,9 тыс.3 года назад
Hier geht es um Fragen, Kommentare und Hintergrundinformationen zum Basiswissen - Neuronale Netze, diesen sollte man somit vorab gesehen haben. Behandelt werden Themen wie: Werte (Zufällig oder nicht), Tippfehler im Original, Minimum oder Minima?, Underfitting - das fehlende Kapitel u.a.
NVIDIA® Jetson™- Projekt: Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Livegoing!
Просмотров 2,1 тыс.4 года назад
Dieser Video nimmt das Selbstbau - Projekts einer Kameraüberwachung mit Objektdetektion und Gesichtserkennung mittels Zoneminder, YOLOv3/v4, OpenCV mit CUDA® und cuDNN® aufder NVIDIA® Jetson™ Plattform in Betrieb. Benötigt wird ein NVIDIA® Jetson™ (z.B. Nano oder Xavier). Geeignet für Anfänger als auch Fortgeschrittene. Alle Schritte werden ausführlich erklärt. Ziel des Do-it-Yourself - Projekt...
NVIDIA® Jetson™- Projekt: Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Installation
Просмотров 1,9 тыс.4 года назад
Dieser Video führt in das Selbstbau - Projekts einer Kameraüberwachung mit Objektdetektion und Gesichtserkennung mittels Zoneminder, YOLOv3/v4, OpenCV mit CUDA® und cuDNN® aufder NVIDIA® Jetson™ Plattform ein. Darüberhinaus wird nach der Einführung die eigentliche Softwareinstallation zum Nachmachen gezeigt. Benötigt wird ein NVIDIA® Jetson™ (z.B. Nano oder Xavier). Geeignet für Anfänger als au...
Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Inbetriebnahme (x86)
Просмотров 4,4 тыс.4 года назад
Dieser Video ist die Inbetriebnahme der Software des Selbstbau - Projekts einer Kameraüberwachung mit Objektdetektion und Gesichtserkennung mittels Zoneminder, YOLOv3/v4, OpenCV mit CUDA® und cuDNN® auf x86 - Plattformen, benötigt wird ein PC / Workstation mit NVIDIA® - GPU. Geeignet für Anfänger als auch Fortgeschrittene. Alle Schritte werden ausführlich erklärt. Ziel des Do-it-Yourself - Proj...
Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Softwareinstallation (x86)
Просмотров 2,3 тыс.4 года назад
Dieser Video zeigt die eigentliche Softwareinstallation des Selbstbau - Projekts einer Kameraüberwachung mit Objektdetektion und Gesichtserkennung mittels Zoneminder, YOLOv3/v4, OpenCV mit CUDA® und cuDNN® auf x86 - Plattformen. Benötigt wird ein PC / Workstation mit NVIDIA® - GPU. Geeignet für Anfänger als auch Fortgeschrittene. Alle Schritte werden ausführlich erklärt. Ziel des Do-it-Yourself...
Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Installation Betriebssystem (x86)
Просмотров 1,6 тыс.4 года назад
Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Installation Betriebssystem (x86)
Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Einführung in das Projekt (x86)
Просмотров 7 тыс.4 года назад
Objekt- / Gesichtserkennung mit Zoneminder, YOLO und OpenCV - Einführung in das Projekt (x86)
Samurai Talk - Die KI-Strategie im Unternehmen
Просмотров 9574 года назад
Samurai Talk - Die KI-Strategie im Unternehmen
Objekterkennung mit YOLO und NVIDIA® Jetson™ Nano - Installation
Просмотров 8 тыс.4 года назад
Objekterkennung mit YOLO und NVIDIA® Jetson™ Nano - Installation
Objekterkennung mit YOLO - Technologischer DeepDive in YOLO inklusive Ausblick auf "YOLOv5"
Просмотров 4,6 тыс.4 года назад
Objekterkennung mit YOLO - Technologischer DeepDive in YOLO inklusive Ausblick auf "YOLOv5"
Objekterkennung mit YOLO (v4) und NVIDIA® Jetson™ Nano - Basiswissen
Просмотров 6 тыс.4 года назад
Objekterkennung mit YOLO (v4) und NVIDIA® Jetson™ Nano - Basiswissen
Objekterkennung mit YOLO und NVIDIA® Jetson™ Nano - Intro
Просмотров 3 тыс.4 года назад
Objekterkennung mit YOLO und NVIDIA® Jetson™ Nano - Intro
TechTime: Deep Dive in GPU, FP32, CUDA- und Tensor Cores. Inkl. Live-Demo
Просмотров 3,6 тыс.4 года назад
TechTime: Deep Dive in GPU, FP32, CUDA- und Tensor Cores. Inkl. Live-Demo
Dezimalzahlen in Binär und Floatingpointformate umwandeln
Просмотров 6134 года назад
Dezimalzahlen in Binär und Floatingpointformate umwandeln
CNNs Convolutional Neural Networks Basiswissen
Просмотров 19 тыс.5 лет назад
CNNs Convolutional Neural Networks Basiswissen
Spielwiese für Neuronale Netze - Überblick
Просмотров 2,9 тыс.5 лет назад
Spielwiese für Neuronale Netze - Überblick
Eine Frage: Mein Programm soll einen bestimmten Objekt erkennen, wenn mein Handy im Hochformat oder Querformat ist. das Problem ist aber, wenn ich das Objekt mit meinem Handy im Querformat fotografiere, wird ein Teil des Objekts nicht sichtlich als wenn ich diesen im Hochformat fotografiere. Wird die YOLO Technologie sowas automatisch lösen können (Das was Sie zum Schluss erklärt haben (ab "Die Magie steckt im Detail")) oder soll ich das Objekt im Hochformat und Querformat unterschiedlich labeln? Außerdem Vielen Dank für die krassen Tutorials.
Vielen Dank für dieses Video. Mir stellen sich trotz der Erklärungen grundlegende Fragen. 1. Welche Gewichte werden bei der Backpropagation geändert. Sind es alle Gewichte im Netz oder eine bestimmte Reihenfolge? 2. Wenn die Gewichte für einen Input angepasst werden und für weitere Input Daten wieder verstellt werden, dann passen doch die Einstellungen nicht mehr zu den Daten des vorherigen Inputs,? Oder ist es so dass sich bei ähnlichen Inputs auch die Gewichtungen ähneln und so die Wahrscheinlichkeit einer richtigen Ausgabe insgesamt zunimmt, aber für einen Einzelfall wiederum abnimmt? Das sind so grundlegende Dinge wo mir in dem Video die Aufklärung fehlt.
Ich versuche mich im Bereich neuronale Netze weiter zu bilden, da ich bei einem meiner Projekte auf ein solches Netzwerk angewiesen bin. Durch diese Videos habe ich vieles verstanden, das mir wirklich weiter hilft! Ich finde die Videos wirklich top, fühlt sich an als würde im Hörsaal der Uni sitzen!!! Danke für den Kanal!! ❤
Ein extrem hochwertiges Video, und eine ebenso hochwertige Erklärung eines wirklich komplexen Themas. Vielen Dank für deine Zeit fürs erstellen des Videos, ich werde mir auf jedenfall noch weitere von dir anschauen!! Eine sehr lehrreiche Stunde, errinnert mich an Seminare ausm Studium! Supper interesannt!!!
Boah geil, ich konnte kein so ausführliches Video auf Deutsch finden. Das ist genau das, was ich gesucht habe. Ich bin zwar noch am Anfang, aber ich weiß jetzt, dass dieses Video genau das ist, was ich brauchte. Vielen Dank Ihnen! :)
Das ist wirklich geil. habe wirklich keine Woerter dazu. einfach Mega
Hallo, ich würde mich freuen wenn das Projekt mal überarbeitet wird für Ubuntu 24 und aktuelle cuda und cudnn treiber. Die Gesichts Erkennung funktioniert auch nicht mehr, selbst das trainieren von Gesichtern auch nicht
Vielen Dank erstmal für dieses klasse Video. Allerdings habe ich eine Weile rumgetüftelt, woher diese positiven oder negativen Gewichtungen kommen, bis du das bei 38;00 thematisierst, Vielleicht hätte man am Anfang deutlicher machen sollen, dass diese nur wahllose Beispiele sind.
Gibt es eine Demo des Systems? Der thumbnail des Videos deutet darauf hin, hab aber nichts davon gesehen.
32:50 Diese Aktivierungsschicht mit ReLU ist doch wichtig, oder nicht? Das sorgt für Nichtlinearität und ermöglicht dem Netzwerk komplexere Muster zu lernen. Zusätzlich verbessert es die effizienz des Netzwerks und reduziert Overfitting. Beim max-pooling und auch beim average-pooling ist diese Aktivierungsschicht entscheidend. Wieso ist das denn bitte umstritten?
Grundsätzlich richtig, aber es gibt ein paar Nachteile die konzeptionell zu berücksichtigen sind, also ggfs. andere oder weitere Varianten der ReLu erfordern oder andere Vorgehensweisen. Beispiele: -Dead Neurons: Manchmal können Neuronen inaktiv werden und nie wieder aktiviert werden, wenn sie einmal einen negativen Wert annehmen. Nicht gut. -Exploding Gradients: In sehr tiefen Netzwerken können die Gradienten zu groß werden und das Training destabilisieren. Auch nicht gut. -Wenig bis kaum relevant (ehrlicherweise): Nicht-differenzierbar bei Null. ReLU ist an der Stelle Null nicht glatt (hat keinen definierten Anstieg), was aber in der Praxis selten ein Problem ist.
Vielen lieben dank für diese ausführliche Erklärung <3 Ehrenmann Achja, und das Video war super
Richtig gut! Vielen Dank!
Hallo, Ich biete ein neues NVIDIA Jetson TX2 Developer Kit ,bei Interesse melden.
Hallo, Ich biete ein neues NVIDIA Jetson TX2 Developer Kit ,bei Interesse melden.
Hallo, Ich biete ein neues NVIDIA Jetson TX2 Developer Kit ,bei Interesse melden.
Sehr gutes Video
Ssssoftware mit ssssoftem S 😁
Grundsätzlich sehr gut erklärt und dargestellt. Was ich nur nicht ganz verstehe ist die Herkunft der gewichtungswerte. Diese Spielen ja eine wesentliche Rolle der Berechnung. Werden diese in der Praxis einfach im Vorfeld festgelegt oder haben diese auch eine Abhängigkeit. Ich denke diese Info würde mir zum Verstehen helfen. Vielen Dank
Diese werden zunächst mit Zufallswerten besetzt. Dafür gibt es auch eigene Libraries zum Beispiel von NVIDIA, damit die wirklich zufällig sind. Im weiteren Verlauf werden diese dann präzisiert. VG, Udo
Sehr Interessant - perfekt für mein Projekt , nämlich Escape Rooms und das klappt super. Erkennung der Person, die wiederum ein Rätsel auslöst :)
Klasse! Sehr informatives Video!
Hallo Udo, danke für Deine tollen Videos. Ist Deine Lerning-Platform noch aktiv?
Hallo Udo, erst einmal vielen Dank für das toll gemachte Video. Klasse! Ich habe noch ein Verständnisproblem bei der Bestimmung der Gewichtung bzw. eine Frage zur Gewichtung der untersten beiden letzten Neuronen ab 03:55: Weshalb wird bei der Gewichtung des vorletzten Neurons eine positive Gewichtung definiert und beim letzten Neuron zur Definition einer horizontalen Linie eine negative Gewichtung verwendet?
Top, danke!
Vielen Dank für die ausführliche Erklärung von Floatingpointberechnungen. Endlich habe ich es verstanden. Das ist das Beste Video zu dem Thema was ich bisher gesehen habe !
Danke für das Lob, das freut mich! 😊
Hallo Herr Würtz, vielen Dank für das sehr aufschlussreiche Video. Was ich allerdings noch nicht ganz verstanden habe ist, wie die Zuteilung der Werte bei Video (35:59) auf das X und das O bestimmt wird. warum werden hier einzelne Werte dem Wert O zugeordnet (wie z.Bsp. 0,53 ganz unten, jedoch nicht der Wert 0,63 in der Mitte). Vielen Dank für Ihre Antwort.
Hallo Herr Huber, ich stehe gerade noch auf dem Schlauch mit den Werten, die Angabe war bei 35:59 aber da habe ich diese Werte nicht. Übersehe ich da was? Generell ist es so, dass diese Darstellung natürlich anschaulich vereinfacht ist, damit man das nachvollziehen kann. Da wir wissen, dass wir ein X in der Eingangsinformation haben, ist die Abstimmung hier auch am stärksten. Ausgehend von den Werten, die auch die Pixeldarstellung für das X am stärksten repräsentieren.
Weil Du Hinweise haben möchtest. Bei 1:01:10 sprichst Du von vom "falschen Minima" und "globalen Minima". Ich würde vom lokalen Minimum und globalen Minimum sprechen. Minima ist der Plural von Singular Minimum.
Hallo Udo Tolles Videos, Dankeschön dafür, ich hatte vor Jahren das ganze schon mal Installiert hatte keine Zeit mehr mich damit zu befassen ,jetzt habe ich das noch einmal Installiert ,soweit alles gut ,hat auch ohne Probleme Funktioniert. Jetzt gehst Du ins Verzeichnis Darknet .ich finde bei mir keines .Ist das irgendwo versteckt ?
Vielen Dank für die richtig guten Videos! Wissen Sie vielleicht, wie kann man, dass Recall und der precsion separat für die jeweiligen Klassen ausgeben?
macht es nicht sinn zum lernen ein Projekt zunehmen wofür es bereits gute Datenquellen aus dem Internet gibt? ich würde zb. gerne ein Modell trainieren wo Zielscheiben erkennt und dafür gibt es bereits sehr gute Daten. zwar müsste ich die für meinen Anwendungsfall noch Mal bearbeiten, aber fürs erste Modell halte ich die für sehr gut
Ich bin 17 und besuche eine höhere technische Schule für Informationstechnik, und ich bin ihnen sehr dankbar für dieses Video. Ich bin mir bewusst das Neuronale Netzte noch vieeel zu komplex für mich sind, in der Schule haben wir praktisch noch nie etwas darüber gelernt bekommen, jedoch besteht ein gewisses Interesse in mir und Sie haben mir eine Grundebene verschaffen von der ich höchstwarscheindlich später aufbauen kann. Vielen Dank für dieses Informationsreiche, ausführliche und gleichzeitig simpel erklärte Video!
Das freut mich, vielen Dank für das positive Feedback. Vielleicht für später mal: ich bin gerade in Cannes auf dem WAICF, dem weltgrößten AI Festival. Da gibt es so ziemlich "alles" in Bezug auf aktuelle KI Entwicklungen zu sehen. Bis dahin auf jeden Fall noch viel Spaß mit den Videos. Es werden noch weitere folgen aber aktuell fehlt mir leider die Zeit. Aber generative KI ist bereits in Vorbereitung.
Hallo erstmal danke für diese spannende und liebevoll erstellte Serie! ich würde gerne innerhalb einer sehr großen Menge von Fotos einer Wildkamera nur die Fotos auf denen ein bestimmtes Objekt zu sehen ist aussortieren. Ist es möglich ein trainiertes YOLO-Modell für diesen Anwendungsfall zu nutzen? Wenn ja mit welchem Programm könnte ich die Sortierung der Fotos durchführen?
Statt Schlagerfestival im TV solche Vorträge und die Kids würden sofort loslegen und die, nur noch in Phrasen vorkommende, deutsche Ingenieurskunst wäre schnell wieder weltweit anerkannt, aber so wird sich dank Bildung von Bildungskasten und marodem Bildungssytem nichts tun...
Sehr gut erklärt. Ich freue mich darauf, die nächsten Videos zu sehen.
Vielen Dank. Es kommen weitere, nur spannt mich gerade das aktuelle Thema Generative KI beruflcih stark ein. Aber ist auf dem Radar
Mein Herr Gesangverein, gute Idee mit Fragen und Antworten.
Obwohl kompliziert, aber so erklärt, dass man mehr wissen möchte. Meine Empfehlung.
Das begreift kein Mensch !!
Ich habe nie behauptet, das es einfach ist ;)
Hallo Herr Würtz, vielen Dank für die tolle Reihe! Sie hat mir sehr geholfen beim einrichten von YOLO. Allerdings habe ich das Problem, dass ich die Batch-Dateien im darknet-Verzeichnis aus Minute 57:16. Wie kann ich mir den Batch selber erstellen? Beste Grüße
Ich schaue mir das mal am Wochenende an
Hallo Herr Würtz, Ihre Beiträge finde ich sehr verständlich und sehr gut aufgebaut. Ich bin zwar schon Rentner aber immer neugierig. Jetzt habe ich schon ein wesentlich besseres Verständnis über neuronale Netze. Vielen Dank für Ihre sehr umfangreiche Arbeit und die Mühe die Sie sich gemacht haben. Viele Grüße Dieter Raab
Ganz tolles Feedback, vielen Dank dafür! :) Das freut mich!
Ist das jetzt ein Mini PC und ist der weil NVIDIA Grafisch stärker als so ein Raspberry ?
Eine Frage hätte ich allerdings zu 18:19. Sie meinten alle Neuronen sind auf 1st Layer miteinander verbunden. Würde das nicht bedeuten, dass jedes 1st Layer Neuron gleich wäre, da die Rechnung immer die selbe ist, nämlich die Rechnung die sie bei 11:51 verwenden?
'Einfach' und dafür sehr ausführlich beschrieben. Klasse gemacht. Danke für dieses Video!😎
Das Video glutamine mindestens einen Oscar verdient! Sehr, sehr cool erklärt l, danke für diese kostenlose Lehrstunde!
Vielen Dank für das motivierende Feedback!
Werde bei YOLO irrelevante Zellen S verworfen, indem der IoU der vorhergesagten Bounding Boxes B dieser Berechnet werden? Und anschließend wird noch NMS angewendet? LG
Da ich Softwareentwickler bin, hätten mich die Frameworks etwas stärker interessiert. Welche gibt es und in welcher Programmiersprache?
Hallo Udo, ich habe die Installation gemäß Anleitung durchgeführt. Alles lief problemlos bis zum Ende durch. Wenn ich jatzt aber den python3 Test durchführe, kommt folgende Fehlermeldung: >>> import cv2 >>> count = cv2.cuda.getCudaEnabledDeviceCount() Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: module 'cv2' has no attribute 'cuda' >>> print(count) Traceback (most recent call last): File "<stdin>", line 1, in <module> NameError: name 'count' is not defined Hast Du eine Idee, woran das liegen könnte? Wenn ich jtop verwende, wird folgendes angezeigt: OpenCV: 4.5.5 with CUDA: YES Viele Grüße
Ganz hervorragend gemachtes Video! Das ganze Thema ist nun mal am Anfang extrem schwierig, aber wenn es jemand so geduldig erklärt, dazu noch auf deutsch, klappt das nach der zweiten oder dritten Wiederholung schon erstaunlich gut. Danke für die Riesenmühe, die Du Dir gibst: Kanal ist abonniert und die Adressen sind notiert!
Danke für das tolle Feedback! :)
Hallo Udo, vielen Dank für das sehr informative Video. Ich würde das gerne direkt so umsetzen, frage mich jedoch, ob das Ganze auch mit einer neueren JetPack Version (v5.1.1) bzw. Yolo (v5) funktioniert? Gibt es hierzu evtl. auch eine aktualisierte Anleitung?
Noch nicht. Leider war das Jahr ziemlich busy (Beruf aber auch mein SmartHome, welches ich extrem ausgebaut habe. Überlege gerade, hier vielleicht einen Kanal zu machen), so dass ich mich noch nicht drum kümmern konnte. Im Herbst schaut es besser aus, dann habe ich wieder mehr Zeit das anzupassen. Ist tatsächlich eine Baustelle da Nvidia einiges aktualisiert hat und auch diverse andere Pakete aktualisiert werden müssen. Ich habe das im Blick, kann aber kurzfristig noch kein Update liefern.
Hallo Udo, vielen Dank für die schnelle Antwort. Dann bleibt es eben (zumindest bis auf Weiteres) erst mal bei dem Software-Stand aus Deinem Video. Ist ja kein Problem für den Beginn. Eine kurze Frage hätte ich noch. Würde aus Deiner Sicht hier ein Jetson Nano von der Performance her ausreichen oder wäre ein Jetson Xavier besser geeignet? Ich möchte gerne mehrere Kamera mit Objekterkennung betreiben. Viele Grüße
Der Nano macht IMO nicht wirklich Spaß, bei mir hat der auch nicht sehr lange gehalten. Entweder den NX oder Orion NX. Hängt auch immer mit dem finanziellen Budget zusammen, was man dafür ausgeben möchte. Oder eine Nvidia Karte für den PC und dann Linux installieren (wie in den Videos zu sehen) Nano also eher nicht
Danke für dieses, die KI in den richtigen Kontext setzende, Video. Einfach gut! Danke
Ist "Filtern" nicht gleich "Convolution"? In beiden Fällen werden doch Feature Maps erstellt. Oder ist "Filtern" die Mathematik hinter "Convolution"? Trifft es das besser?
Hallo, gute Frage, danke dafür :) In diesem Kontext ist es das letztlich das Gleiche. Dazu habe ich einen Link, bei dem dieses Thema sehr ausführlich diskutiert wurde: stats.stackexchange.com/questions/154798/difference-between-kernel-and-filter-in-cnn/188216#188216 Streng genommen ist letztlich eine Konvolution die Anwendung eines Filters, welche die (Aktivierungs = Feature) Map bildet.
Ein sehr schwiriges thema Super und einfach erklärt . Respekt .vielen Dank für Ihre Bemühungen.
Vielen Dank, das freut mich :)
Auch ich bin bei der Installation bei dem Thema 3.6 vs 3.7 hängen geblieben. Gibt es da schon eine Lösung, sonst kann ich bei dem Projekt nicht mehr weitermachen. Wäre schade.
Sehr detaillierte Informationen. Weiter so.
Danke schön. :) Das nächste Thema wird, ja klar, generative KI zum selber bauen