Джейд Картер "Искусственный интеллект в прикладных науках. Транспорт и логистика"

grade 5,0 - Рейтинг книги по мнению 150+ читателей Рунета

Книга предлагает обзор применения искусственного интеллекта в сфере транспортной и логистической деятельности. Начиная с основных проблем и вызовов, с которыми сталкиваются компании этой отрасли, она переходит к изучению конкретных решений, которые предлагает ИИ. В книге рассматриваются такие аспекты, как автономный транспорт, оптимизация маршрутов, управление складами, прогнозирование спроса, а также применение роботизированных систем и технологии блокчейн. Особое внимание уделено не только технологическим аспектам, но и вопросам экологической устойчивости и этичности применения новых решений. Эта книга представляет ценный ресурс как для специалистов в области транспорта и логистики, так и для всех, кто интересуется последними тенденциями в этой динамично развивающейся области.

date_range Год издания :

foundation Издательство :Автор

person Автор :

workspaces ISBN :

child_care Возрастное ограничение : 12

update Дата обновления : 09.04.2024

with open("coco.names", "r") as f:

classes = [line.strip() for line in f.readlines()]

# Загрузка изображения

image = cv2.imread("image.jpg")

height, width, _ = image.shape

# Преобразование изображения в blob

blob = cv2.dnn.blobFromImage(image, 1/255.0, (416, 416), swapRB=True, crop=False)

# Установка входа для нейронной сети

net.setInput(blob)

# Получение списка имен слоев

layer_names = net.getLayerNames()

output_layers = [layer_names[i[0] – 1] for i in net.getUnconnectedOutLayers()]

# Прохождение обратно через сеть и обнаружение объектов

outs = net.forward(output_layers)

# Предполагаемые области идентификации

boxes = []

confidences = []

class_ids = []

# Обработка выходных данных нейронной сети

for out in outs:

for detection in out:

scores = detection[5:]

class_id = np.argmax(scores)

confidence = scores[class_id]

if confidence > 0.5:

# Параметры ограничивающего прямоугольника

center_x = int(detection[0] * width)

center_y = int(detection[1] * height)

w = int(detection[2] * width)

h = int(detection[3] * height)

x = int(center_x – w / 2)

y = int(center_y – h / 2)

boxes.append([x, y, w, h])

confidences.append(float(confidence))

class_ids.append(class_id)

# Отображение результатов

for i in range(len(boxes)):

x, y, w, h = boxes[i]

label = str(classes[class_ids[i]])

confidence = confidences[i]

color = (0,255,0)

cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)

cv2.putText(image, label + " " + str(round(confidence, 2)), (x, y – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

# Отображение изображения с обнаруженными объектами

cv2.imshow("Object Detection", image)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

Примечание:

– Вам нужно иметь предварительно обученную модель (например, YOLO) и файл с классами объектов (например, coco.names).

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию (https://www.litres.ru/chitat-onlayn/?art=70531261&lfrom=174836202&ffile=1) на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Все книги на сайте предоставены для ознакомления и защищены авторским правом