如何以Google Colab及Yolov4-tiny來訓練自定義資料集─以狗臉、貓臉、人臉偵測為例

之前曾寫過「使用Google Colaboratory免費資源學AI，正是時候！ [A]」、「如何以YOLOv3訓練自己的資料集─以小蕃茄為例 [B]」獲得許多點閱及迴響，但隨著AI工具及版本不斷演進，導致這些範例已有部份無法順利運作。為了讓新手入坑能快速體驗自定義資料集的「物件偵測」智能應用，且不用頭疼開發環境建置及硬體算力，於是重新寫了這篇文章分享給大家。

在這個範例中將採用雲端、免費的Google Colab CPU+GPU運算資源及內建的Jupyter Notebook加上Python開發環境，搭配最常見的Darknet及Yolov4-tiny物件偵測框架，來完成自定義物件的模型訓練及物件偵測的推論。本文將著重在實作，而略過算法的原理說明，有興趣深入了解的朋友請自行參閱[1]。接下來就從【資料集建置與標註】、【Darknet安裝與Yolov4-tiny測試】、【自定義資料集訓練】、【訓練及推論實驗結果】依序為大家作進一步說明，完整範例程式請參考下方連結。

https://github.com/OmniXRI/Yolov4-tiny_Colab_User_Datasets

【課程簡報】20210515_中央工學院_Edge AI如何應用於智慧感測及預測

很高興今天(2021/5/15)受到中央大學土木工程系林子軒老師邀約，在【設計思考與智慧物聯網應用】這門課程和同學們分享「Edge AI如何應用於智慧感測及預測」，此次修課同學包括有土木、太空、企管、經濟、資工、資管、機械和歷史系，大多都不具寫程式背景，所以此次儘量使用較淺顯的方式來說明AIoT及Edge AI相關應用，希望能幫助同學有更深一層的認識。

此次課程主要分為四部份，包括

• AIoT簡介
• Edge AI簡介
• tinyML簡介
• 振動分析與預測

如有任何問題歡迎於下方留言區交流互動。（點擊圖片放大）