ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਇੱਕ ਵਿਭਾਗ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਡਿਜ਼ਿਟਲ ਚਿੱਤਰਾਂ ਦੀ ਉੱਚ-ਸਤ੍ਹਾ ਦੀ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਇੱਕ ਕਾਫ਼ੀ ਵਿਆਪਕ ਪਰਿਭਾਸ਼ਾ ਹੈ, ਕਿਉਂਕਿ ਸਮਝਣਾ ਕਈ ਵੱਖ-ਵੱਖ ਚੀਜ਼ਾਂ ਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਵਿੱਚ ਕੋਈ ਵਸਤੂ ਖੋਜਣਾ (ਵਸਤੂ ਪਛਾਣ), ਜੋ ਕੁਝ ਹੋ ਰਿਹਾ ਹੈ ਉਸ ਨੂੰ ਸਮਝਣਾ (ਘਟਨਾ ਪਛਾਣ), ਚਿੱਤਰ ਨੂੰ ਲਿਖਤ ਵਿੱਚ ਵਰਣਨ ਕਰਨਾ, ਜਾਂ 3D ਵਿੱਚ ਦ੍ਰਿਸ਼ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣਾ। ਮਨੁੱਖੀ ਚਿੱਤਰਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਕੰਮ ਵੀ ਹਨ: ਉਮਰ ਅਤੇ ਭਾਵਨਾ ਅਨੁਮਾਨ, ਚਿਹਰਾ ਪਛਾਣ ਅਤੇ ਪਛਾਣ, ਅਤੇ 3D ਪੋਜ਼ ਅਨੁਮਾਨ।
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦਾ ਇੱਕ ਸਭ ਤੋਂ ਸਧਾਰਨ ਕੰਮ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਹੈ।
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਨੂੰ ਅਕਸਰ AI ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਅੱਜਕਲ, ਜ਼ਿਆਦਾਤਰ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੇ ਕੰਮ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਅਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਕਾਰ, ਕਨਵੋਲੂਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ, ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ।
ਹਾਲਾਂਕਿ, ਚਿੱਤਰ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ, ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ ਚਿੱਤਰ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕੁਝ ਅਲਗੋਰਿਦਮਿਕ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸਹੀ ਹੁੰਦਾ ਹੈ।
ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਕਈ Python ਲਾਇਬ੍ਰੇਰੀਆਂ ਉਪਲਬਧ ਹਨ:
- imageio ਵੱਖ-ਵੱਖ ਚਿੱਤਰ ਫਾਰਮੈਟਾਂ ਨੂੰ ਪੜ੍ਹਨ/ਲਿਖਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਹ ffmpeg ਨੂੰ ਵੀ ਸਹਾਰਾ ਦਿੰਦੀ ਹੈ, ਜੋ ਵੀਡੀਓ ਫਰੇਮਾਂ ਨੂੰ ਚਿੱਤਰਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇੱਕ ਉਪਯੋਗ ਟੂਲ ਹੈ।
- Pillow (ਜਿਸ ਨੂੰ PIL ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਅਤੇ ਕੁਝ ਚਿੱਤਰ ਮੈਨਿਪੂਲੇਸ਼ਨ ਜਿਵੇਂ ਕਿ ਮੋਰਫਿੰਗ, ਪੈਲੇਟ ਸਹਾਰਾ, ਆਦਿ ਨੂੰ ਵੀ ਸਹਾਰਾ ਦਿੰਦੀ ਹੈ।
- OpenCV ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ C++ ਵਿੱਚ ਲਿਖੀ ਗਈ ਹੈ, ਅਤੇ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਡਿ ਫੈਕਟੋ ਮਿਆਰ ਬਣ ਗਈ ਹੈ। ਇਸਦਾ ਇੱਕ ਸੁਵਿਧਾਜਨਕ Python ਇੰਟਰਫੇਸ ਹੈ।
- dlib ਇੱਕ C++ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਕਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਲਗੋਰਿਦਮਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੁਝ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਲਗੋਰਿਦਮ ਵੀ ਸ਼ਾਮਲ ਹਨ। ਇਸਦਾ ਇੱਕ Python ਇੰਟਰਫੇਸ ਹੈ, ਅਤੇ ਇਹ ਚਿਹਰਾ ਅਤੇ ਚਿਹਰੇ ਦੇ ਲੈਂਡਮਾਰਕ ਪਛਾਣ ਵਰਗੇ ਚੁਣੌਤੀਪੂਰਨ ਕੰਮਾਂ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
OpenCV ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਡਿ ਫੈਕਟੋ ਮਿਆਰ ਮੰਨੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਵਿੱਚ ਕਈ ਉਪਯੋਗ ਅਲਗੋਰਿਦਮ ਹਨ, ਜੋ C++ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ। ਤੁਸੀਂ OpenCV ਨੂੰ Python ਤੋਂ ਵੀ ਕਾਲ ਕਰ ਸਕਦੇ ਹੋ।
OpenCV ਸਿੱਖਣ ਲਈ ਇੱਕ ਵਧੀਆ ਜਗ੍ਹਾ ਇਹ Learn OpenCV ਕੋਰਸ ਹੈ। ਸਾਡੇ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਸਾਡਾ ਉਦੇਸ਼ OpenCV ਸਿੱਖਣਾ ਨਹੀਂ ਹੈ, ਬਲਕਿ ਤੁਹਾਨੂੰ ਕੁਝ ਉਦਾਹਰਨ ਦਿਖਾਉਣਾ ਹੈ ਕਿ ਇਹ ਕਦੋਂ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਕਿਵੇਂ।
Python ਵਿੱਚ ਚਿੱਤਰਾਂ ਨੂੰ NumPy arrays ਦੁਆਰਾ ਸੁਵਿਧਾਜਨਕ ਤਰੀਕੇ ਨਾਲ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, 320x200 ਪਿਕਸਲ ਦੇ ਸਾਈਜ਼ ਵਾਲੇ ਗ੍ਰੇਸਕੇਲ ਚਿੱਤਰਾਂ ਨੂੰ 200x320 ਐਰੇ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਵੇਗਾ, ਅਤੇ ਇੱਕੋ ਹੀ ਮਾਪ ਦੇ ਰੰਗੀਨ ਚਿੱਤਰਾਂ ਦਾ ਆਕਾਰ 200x320x3 (3 ਰੰਗ ਚੈਨਲਾਂ ਲਈ) ਹੋਵੇਗਾ। ਚਿੱਤਰ ਲੋਡ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਵਰਤ ਸਕਦੇ ਹੋ:
import cv2
import matplotlib.pyplot as plt
im = cv2.imread('image.jpeg')
plt.imshow(im)ਪ੍ਰੰਪਰਾਗਤ ਤੌਰ 'ਤੇ, OpenCV ਰੰਗੀਨ ਚਿੱਤਰਾਂ ਲਈ BGR (Blue-Green-Red) ਕੋਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਦਕਿ Python ਦੇ ਹੋਰ ਟੂਲ ਰਵਾਇਤੀ RGB (Red-Green-Blue) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਚਿੱਤਰ ਨੂੰ ਸਹੀ ਦਿਖਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ RGB ਰੰਗ ਸਪੇਸ ਵਿੱਚ ਬਦਲਣਾ ਪਵੇਗਾ, ਜਾਂ ਤਾਂ NumPy ਐਰੇ ਵਿੱਚ ਮਾਪਾਂ ਦੀ ਅਦਲ-ਬਦਲ ਕਰਕੇ, ਜਾਂ OpenCV ਫੰਕਸ਼ਨ ਕਾਲ ਕਰਕੇ:
im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)ਇਹੀ cvtColor ਫੰਕਸ਼ਨ ਹੋਰ ਰੰਗ ਸਪੇਸ ਬਦਲਾਅ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਨੂੰ ਗ੍ਰੇਸਕੇਲ ਜਾਂ HSV (Hue-Saturation-Value) ਰੰਗ ਸਪੇਸ ਵਿੱਚ ਬਦਲਣਾ।
ਤੁਸੀਂ OpenCV ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੀਡੀਓ ਨੂੰ ਫਰੇਮ-ਬਾਈ-ਫਰੇਮ ਲੋਡ ਕਰ ਸਕਦੇ ਹੋ - ਇਸਦਾ ਉਦਾਹਰਨ OpenCV Notebook ਵਿੱਚ ਦਿੱਤਾ ਗਿਆ ਹੈ।
ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਚਿੱਤਰ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਸੀਂ ਕੁਝ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਲਾਗੂ ਕਰਨਾ ਚਾਹੋਗੇ। OpenCV ਕਈ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ:
- ਚਿੱਤਰ ਦਾ ਆਕਾਰ ਬਦਲਣਾ
im = cv2.resize(im, (320,200),interpolation=cv2.INTER_LANCZOS)ਦੀ ਵਰਤੋਂ ਕਰਕੇ - ਚਿੱਤਰ ਨੂੰ ਧੁੰਦਲਾ ਕਰਨਾ
im = cv2.medianBlur(im,3)ਜਾਂim = cv2.GaussianBlur(im, (3,3), 0)ਦੀ ਵਰਤੋਂ ਕਰਕੇ - ਚਿੱਤਰ ਦੀ ਚਮਕ ਅਤੇ ਕਨਟਰਾਸਟ ਨੂੰ NumPy ਐਰੇ ਮੈਨਿਪੂਲੇਸ਼ਨ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇਸ Stackoverflow ਨੋਟ ਵਿੱਚ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ।
- ਥ੍ਰੈਸ਼ਹੋਲਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ
cv2.threshold/cv2.adaptiveThresholdਫੰਕਸ਼ਨ ਕਾਲ ਕਰਨਾ, ਜੋ ਚਮਕ ਜਾਂ ਕਨਟਰਾਸਟ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਨਾਲੋਂ ਵਧੀਆ ਹੁੰਦਾ ਹੈ। - ਚਿੱਤਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਬਦਲਾਅ ਲਾਗੂ ਕਰਨਾ:
- ਐਫਾਈਨ ਬਦਲਾਅ ਵਰਤਣਯੋਗ ਹੁੰਦੇ ਹਨ ਜੇਕਰ ਤੁਹਾਨੂੰ ਚਿੱਤਰ ਵਿੱਚ ਤਿੰਨ ਬਿੰਦੂਆਂ ਦੇ ਸਰੋਤ ਅਤੇ ਮੰਜ਼ਿਲ ਸਥਾਨ ਪਤਾ ਹੋਵੇ। ਐਫਾਈਨ ਬਦਲਾਅ ਸਮਾਂਤਰ ਲਾਈਨਾਂ ਨੂੰ ਸਮਾਂਤਰ ਰੱਖਦੇ ਹਨ।
- ਪਰਸਪੈਕਟਿਵ ਬਦਲਾਅ ਵਰਤਣਯੋਗ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਤੁਹਾਨੂੰ ਚਿੱਤਰ ਵਿੱਚ 4 ਬਿੰਦੂਆਂ ਦੇ ਸਰੋਤ ਅਤੇ ਮੰਜ਼ਿਲ ਸਥਾਨ ਪਤਾ ਹੋਵੇ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਤੁਸੀਂ ਸਮਾਰਟਫੋਨ ਕੈਮਰੇ ਦੁਆਰਾ ਕਿਸੇ ਕੋਣ ਤੋਂ ਇੱਕ ਆਯਤਾਕਾਰ ਦਸਤਾਵੇਜ਼ ਦੀ ਤਸਵੀਰ ਲੈਂਦੇ ਹੋ, ਅਤੇ ਤੁਸੀਂ ਦਸਤਾਵੇਜ਼ ਦੀ ਆਯਤਾਕਾਰ ਚਿੱਤਰ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ।
- ਆਪਟਿਕਲ ਫਲੋ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰ ਵਿੱਚ ਗਤੀ ਨੂੰ ਸਮਝਣਾ।
ਸਾਡੇ OpenCV Notebook ਵਿੱਚ, ਅਸੀਂ ਕੁਝ ਉਦਾਹਰਨ ਦਿੰਦੇ ਹਾਂ ਕਿ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਕੰਮ ਕਰਨ ਲਈ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ:
- ਬ੍ਰੇਲ ਬੁੱਕ ਦੀ ਤਸਵੀਰ ਦੀ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ। ਅਸੀਂ ਧਿਆਨ ਦਿੰਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਅਸੀਂ thresholding, feature detection, perspective transformation ਅਤੇ NumPy ਮੈਨਿਪੂਲੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਬ੍ਰੇਲ ਚਿੰਨ੍ਹਾਂ ਨੂੰ neural network ਦੁਆਰਾ ਹੋਰ ਵਰਗੀਕਰਨ ਲਈ ਵੱਖ ਕਰ ਸਕਦੇ ਹਾਂ।
 |
 |
 |
|---|
ਚਿੱਤਰ OpenCV.ipynb ਤੋਂ
- ਫਰੇਮ ਡਿਫਰੈਂਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੀਡੀਓ ਵਿੱਚ ਗਤੀ ਪਛਾਣਣਾ। ਜੇਕਰ ਕੈਮਰਾ ਸਥਿਰ ਹੈ, ਤਾਂ ਕੈਮਰੇ ਫੀਡ ਤੋਂ ਫਰੇਮ ਇੱਕ ਦੂਜੇ ਨਾਲ ਕਾਫ਼ੀ ਮਿਲਦੇ-ਜੁਲਦੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਕਿਉਂਕਿ ਫਰੇਮ ਐਰੇ ਵਜੋਂ ਦਰਸਾਏ ਜਾਂਦੇ ਹਨ, ਸਿਰਫ਼ ਉਹਨਾਂ ਐਰੇਜ਼ ਨੂੰ ਦੋ ਲਗਾਤਾਰ ਫਰੇਮਾਂ ਲਈ ਘਟਾ ਕੇ ਅਸੀਂ ਪਿਕਸਲ ਡਿਫਰੈਂਸ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ, ਜੋ ਸਥਿਰ ਫਰੇਮਾਂ ਲਈ ਘੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਚਿੱਤਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਗਤੀ ਹੋਣ 'ਤੇ ਵਧ ਜਾਵੇਗਾ।
ਚਿੱਤਰ OpenCV.ipynb ਤੋਂ
-
ਆਪਟਿਕਲ ਫਲੋ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਤੀ ਪਛਾਣਣਾ। ਆਪਟਿਕਲ ਫਲੋ ਸਾਨੂੰ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਵੀਡੀਓ ਫਰੇਮਾਂ 'ਤੇ ਵਿਅਕਤੀਗਤ ਪਿਕਸਲ ਕਿਵੇਂ ਹਿਲਦੇ ਹਨ। ਆਪਟਿਕਲ ਫਲੋ ਦੇ ਦੋ ਪ੍ਰਕਾਰ ਹਨ:
- Dense Optical Flow ਹਰ ਪਿਕਸਲ ਲਈ ਵੇਕਟਰ ਫੀਲਡ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਕਿੱਥੇ ਹਿਲ ਰਿਹਾ ਹੈ।
- Sparse Optical Flow ਚਿੱਤਰ ਵਿੱਚ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਲੱਛਣ (ਜਿਵੇਂ ਕਿ edges) ਲੈਣ 'ਤੇ ਅਧਾਰਿਤ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਫਰੇਮ ਤੋਂ ਫਰੇਮ ਤੱਕ ਉਹਨਾਂ ਦੀ ਰਾਹ ਬਣਾਉਂਦਾ ਹੈ।
ਚਿੱਤਰ OpenCV.ipynb ਤੋਂ
✍️ ਉਦਾਹਰਨ ਨੋਟਬੁੱਕ: OpenCV OpenCV in Action ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ
ਆਓ OpenCV Notebook ਦੀ ਖੋਜ ਕਰਕੇ OpenCV ਨਾਲ ਕੁਝ ਪ੍ਰਯੋਗ ਕਰੀਏ।
ਕਈ ਵਾਰ, ਜਟਿਲ ਕੰਮ ਜਿਵੇਂ ਕਿ ਗਤੀ ਪਛਾਣ ਜਾਂ ਫਿੰਗਰਟਿਪ ਪਛਾਣ ਸਿਰਫ਼ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੁਆਰਾ ਹੱਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀਆਂ ਮੂਲ ਤਕਨੀਕਾਂ ਅਤੇ OpenCV ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਕੀ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਇਹ ਜਾਣਨਾ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੈ।
AI ਸ਼ੋ ਤੋਂ ਇਹ ਵੀਡੀਓ ਦੇਖੋ ਤਾਂ ਜੋ Cortic Tigers ਪ੍ਰੋਜੈਕਟ ਬਾਰੇ ਜਾਣ ਸਕੋ ਅਤੇ ਕਿਵੇਂ ਉਹਨਾਂ ਨੇ ਰੋਬੋਟ ਦੁਆਰਾ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕੰਮਾਂ ਨੂੰ ਲੋਕਤੰਤਰਕਰਨ ਲਈ ਇੱਕ ਬਲਾਕ-ਅਧਾਰਤ ਹੱਲ ਬਣਾਇਆ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਹੋਰ ਪ੍ਰੋਜੈਕਟਾਂ ਬਾਰੇ ਖੋਜ ਕਰੋ।
ਆਪਟਿਕਲ ਫਲੋ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ ਇਸ ਸ਼ਾਨਦਾਰ ਟਿਊਟੋਰਿਅਲ ਵਿੱਚ।
ਇਸ ਲੈਬ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਨ ਇਸ਼ਾਰਿਆਂ ਵਾਲੀ ਇੱਕ ਵੀਡੀਓ ਲਵੋਗੇ, ਅਤੇ ਤੁਹਾਡਾ ਉਦੇਸ਼ ਆਪਟਿਕਲ ਫਲੋ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉੱਪਰ/ਹੇਠਾਂ/ਖੱਬੇ/ਸੱਜੇ ਗਤੀ ਨੂੰ ਕੱਢਣਾ ਹੋਵੇਗਾ।
