YT YouTube2Text

YouTube2Text → Transcripts → پروژه‌ ی هوش مصنوعی تو یک روز ساختم

پروژه‌ ی هوش مصنوعی تو یک روز ساختم — Transcript

by Maryam Sadeghi · 3,490 words · 451 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00خب یه دوربین گذاشتم گوشه خونه. این
0:02دوربین کاری که می‌کنه اینه که هر وقت
0:05کندی و کوکو د تا سگ من جلوی دوربین میان
0:08تشخیص میده. عکس می‌گیره می‌فرسته برای
0:11هوش مصنوعی و هوش مصنوعی بهم میگه که اینا
0:14الان دقیقاً دارن چیکار می‌کنن. خوابیدن
0:17دارن غذا می‌خورن دارن بازی می‌کنن و آخر
0:20روز یه گزارش کامل از کل روزشون به من
0:23میده. نکته جالب اینه که این پروژه روی
0:25لپتاپ من اجرا نمیشه. روی یه دستگاه جدا
0:28اجرا میشه که گوشه خونهست و ۲۴ ساعته داره
0:31کار می‌کنه. توی این ویدیو از صفر
0:33می‌سازیمش. هم سخت‌افزارش رو نشون میدم هم
0:36کدنویسیش رو هم اجراش رو و مهم‌تر از خود
0:39پروژه ساختاری رو یاد می‌گیرید که باهاش
0:41می‌تونید ده‌ها پروژه دیگه بسازید توی
0:44مغازه، توی انبار، توی شرکت، توی یخچال و
0:47هرچی که فکرشو بکنید. یه چند وقتی بود دلم
0:49می‌خواست یه ویدیوی پروژه محور دیگه بسازم
0:52ولی این بار دلم می‌خواست یه چیزی باشه که
0:55فقط کد داخل لپتاپ نباشه یه چیزی که نمود
0:58فیزیکی داشته باشه یعنی یه دستگاهی باشه
1:00که بذارمش یه گوشه ورودی داشته باشه مثل
1:03دوربین میکروفون و خروجی داشته باشه مثل
1:06صفحه نمایش اسپیکر و کار خودشو بکنه ایده
1:09اولم این بود که از یه رزبریپ‌های استفاده
1:12کنم ولی خب رزبریپ‌های برای یه سری کارا
1:14محدودیت داره مثلاً پردازش تصویر روش
1:16سنگینه و رم کمه و اگه بخوای یک مدل
1:20بینایی ماشین رو روش اجرا کنی خیلی زود کم
1:23میاره تا اینکه یه همکاری با تمو برای من
1:26شکل گرفت و تمو اسپانسر این ویدیو شد و
1:29باعث شد که من به جای رزبری پا یه دیوایس
1:32جالب‌تر پیدا کردم از همین پلتفرم تمو یه
1:35مینی پی سی که یه کامپیوتر کام ویندوز روش
1:39اجرا میشه ولی اندازه کف دسته این دقیقاً
1:42همون کار رزبری پای رو می‌کنه ولی با قدرت
1:44خیلی بیشتر قبل اینکه بریم جلوتر همون طور
1:47که متوجه شدید اسپانسر این ویدیو تمو هستش
1:50و همه چار تا وسیله‌ای که تو این پروژه
1:52استفاده می‌کنم رو از تمو خریدم. لینک
1:55همشونم توی دیسکریپشن می‌ذارم. اگه
1:57خواستید دقیقاً همین ستآپ رو بسازید
2:00می‌تونید با تخفیف تهیه کنید. ولی یه
2:02چیزیو بگم من انتخاب کردم چیا بخرم نمونا
2:05و تو این ویدیو صادقانه همه نقاط ضعف رو
2:08هم علاوه بر نقاط قوت میگم. بریم سراغ خود
2:11وسایل. این مغز اصلی سیستمه. مشخصاتشو
2:14بگم. پردازنده ای ام دی رایزن که تا ۴.۷۵
2:19از ۷۵ گیگاهرتز بوست میشه ۸ هسته و ۱۶ ترد
2:24داره ۲۴ گیگابایت رم ۵۱۰ گیگ هم اس دی
2:28گرافیکشم رادئون هستش این نکتهش خیلی
2:32جالبه که از نظر پورت می‌تونه همزمان ۳ تا
2:35مانیتور ف رو ساپورت کنه و لن د و نیم
2:39گیگابایت داره این برای وقتی که بخوایم
2:41استریم ویدیو بفرستیم خیلی مهمه حالا نکته
2:44مهمش برای این پروژه اینه که اون ۲۴
2:47گیگابایت رم و اون گرافیک باعث میشه که من
2:50بتونم مدل بینایی ماشینم رو لوکال اجرا
2:53کنم حالا همون طور که گفتم نقطه ضعفشم
2:56میگم که نقطه ضعف حساب نمیاد فقط چیزیه که
3:00باید در نظر بگیرید این گرافیکش گرافیک
3:03مجتمعه یعنی یونیفاید ویرم هستش برای
3:07اجرای مدل‌های تشخیص مثل یولو و اینا
3:10عالیه ولی اگه بخواید ال ام لوکال روش
3:13اجرا کنید یه سری محدودیت‌هایی داره که
3:17جلوتر در موردش حرف می‌زنم برای چشم این
3:19سیستم یه دوربین فK رو انتخاب کردم. ه تا
3:23دلیل داشت. اول اینکه رزولوشن فK داره.
3:26می‌خوایم از فریم‌ها کراپ بگیریم و
3:28بفرستیم برای مدل و هرچی تصویر بازتر و با
3:32کیفیت‌تر باشه کراپ هم واضح‌تر می‌مونه.
3:35دوم اتوفوکوس داره. یعنی وقتی سگ‌ها از
3:39دور به نزدیک میان دوربین سریع فوکوسش رو
3:42قفل می‌کنه و تصویر تار نمیشه. توی سیستمی
3:46مانیتورینگ که سوژه دائم داره حرکت می‌کنه
3:49این خیلی نکته مهمیه سومم اینکه سه پایه
3:51داره من می‌خواستم بتونم بذارمش گوشی اتاق
3:54زاویهشو تنظیم کنم نه اینکه فقط به
3:56مانیتور گیر کنه و این خیلی عالیه برای
3:58این کار تو همه جهت‌ها میشه زاویهش رو
4:02تغییر داد یه شاتر فیزیکی هم داره برای
4:04پوشوندن لنز دوربینایی که ۲۴ ساعت یه گوشه
4:07خونن خیلی مهمه که یه شاتر فیزیکی داشته
4:10باشه که هر وقت می‌خواین بتونید قطعش کنید
4:13برای صفحه نمایشم م این مانیتور پرتاب ۱۳
4:17و نیم اینچی رو گرفتم ببینید چقدر نازکه
4:20پایهشم تا ۱۸۰ درجه باز میشه و پشتشم
4:24سوراخ‌هایی داره که مستقیم میشه وصلش کرد
4:27به دیوار خودشم د تا اسپیکر استریو داخل
4:31این ال سی دی داره حالا کلاً جدایی از این
4:33پروژه من با لپتاپم که کار می‌کنم همیشه
4:35دوست دارم یکی دو تا مانیتور اضافه هم
4:37کنارش داشته باشم قبلاً یه مانیتور بزرگ
4:40داشتم الان دیگه همینو وصل می‌کنم و خیلی
4:42ستآپم جمع و جورتر و تر و تمیزتر شده و
4:45این اسپیکر کوچولو رو هم گرفتم که نکتهش
4:48اینه که این اسپیکر سیمیه با پورت یوسبی
4:52سی یعنی نه باتری داره شارژش کنه نه
4:54بلوتوثیه که بخواد پر بشه یا قطع بشه برای
4:57سیستمی که همیشه قراره روشن باشه این
5:00دقیقاً همون چیزیه که باید باشه و ما
5:02می‌خوایم همیشه چیزی باشه که وصل باشه
5:04کارش تو این پروژه اینه که وقتی که سگ‌ها
5:07کاری می‌کنن یا سمتی میرن که نباید سیستم
5:10یه آلارم صوتی پخش می‌کنه خب همه اینا رو
5:12به من وصل کردم هم دقیقاً مثل یه کامپیوتر
5:15معمولی یه موس و کیبورد کابلی یا بلوتوثی
5:18هم میشه بهش وصل کرد که وصل کردم روش
5:21ویندوز داره اجرا میشه و هیچ فرق خاصی با
5:24یه دسکتاپ نداره فقط اندازهش یکدهمه قبل
5:28از کدنویسی فقط س۳ تا کار روی این دستگاه
5:31لازم بود قدم اول پایتون رو نصب کردم دوم
5:34محیط برنامه‌نویسی من از کلود و کرسر
5:38استفاده می‌کنم برای کلود من یه ویدیوی
5:41جدای کامل ساختم هم لینکشم اینجا می‌ذارم
5:44می‌تونید برید ببینید در مورد کرسر هم
5:46کرسر یه ادیتوره کده که ایجنت کدنویسی هوش
5:51مصنوعی داخل خودش داره اگه شما ترجیح
5:54میدید مستقیماً با کلود کار کنید می‌تونید
5:56این کارو بکنید من چون به دیدن همزمان
5:59فایل‌ها و کدها و ترمینال عادت دارم با
6:02کرسر راحت‌ترم ولی اینم بگم که من از کرسر
6:05و کلود هر دو به یه اندازه استفاده می‌کنم
6:08در طول کارهای روزمرم و مرحله سه یک ایپی
6:12آیکی از اپنآی گرفتم این کلید رو مستقیم
6:15توی کد نذاشتم گذاشتمش توی فا. انف این یه
6:19عادت خیلی مهمه کلید ایپیآی رو هیچ‌وقت
6:22داخل کد نذارید مخصوصاً وقتی کدتون رو
6:24قراره جایی بذارید که دیگران هم بهش
6:27دسترسی داشته باشن. همین سه تا کار کافی
6:30بود. میریم سراغ پروژه. خب قبل از اینکه
6:32سراغ کدنویسیش بریم بیایم ساختار پروژه رو
6:35بررسی کنیم. چون این ساختار برای هر پروژه
6:39گوش مصنوعی فیزیکی که بخواید بسازید
6:41یکسانه. اگه اینو یاد بگیرید دیگه بقیهش
6:43تغییر جزئیاه. مرحله اول ورودیه. ما یه
6:47ورودی می‌گیریم. حالا این می‌تونه تصویر
6:49زنده از یه دوربین باشه. می‌تونه صدا از
6:52میکروفون باشه. می‌تونه فایلایی باشه که
6:55از یه فولدر برمی‌داره. تو پروژه ما ورودی
6:58استریم زنده دوربینه. مرحله دوم فیلتره.
7:02اینجا مهم‌ترین تصمیم پروژهست. ما
7:05نمی‌تونیم و نباید همه فریم‌ها رو بفرستیم
7:08برای هوش مصنوعی. دوربین ثانیه‌ای ۳۰ تا
7:10فریم میده. اگه همه رو بفرستی هم پول
7:13زیادی استفاده می‌کنه هم سیستم قفل
7:15می‌کنه. پس یه فیلتر ارزون لوکال می‌سازیم
7:19که فقط فریم‌های مهم رو رد کنه. توی نسخه
7:21بیسیکش این فیلتر تشخیص حرکته. حالا من
7:25آخر ویدیو میگم که چطور پیشرفته‌ترم
7:27می‌تونه باشه. مرحله سوم پردازش تخصصیه.
7:30اینجا بسته به اینکه چه چیزی می‌خواید یک
7:33مدل انتخاب می‌کنید. اگه صداست مدل پردازش
7:36صوت. اگه تصویره باید بدونید دقیقاً چی
7:39می‌خواید. دیتکشن مثلاً سگ کجای تصویره یا
7:42سگمنتیشن یعنی دقیقاً کدوم پیکسل‌ها مربوط
7:45به سگه یا تشخیص فاصله و اندازه هر کدوم
7:48مدل خودش رو داره مرحله چ۴ار مغز یعنی ال
7:51ام اینجا جاییه که ال ام تصمیم می‌گیره ما
7:54تصویرو میدیم دستش و میگیم توصیف کن چه
7:57اتفاقی داره میفته ولی میشه خیلی بیشتر
8:00پیشرفت میشه ال ام تصمیم بگیره که حالا بر
8:03اساس این اتفاقی که داره میفته چه کاری
8:05انجام بشه ثبت کنه آلارم بزنه پیام بفرسته
8:09چه کاری بکنه. مرحله پنجم خروجی دیتابیس،
8:13داشبورد، آلارم صوتی، پیام تلگرام، هر
8:16چیزی که بخواید می‌تونید اضافه کنید. این
8:19۵ تا بلوک پس ساختار اصلی این پروژه هستن.
8:22حالا بریم ببینیم که این ۵ تا بلوک توی کد
8:25چه شکلی میشن. اولین کاری که کردم این بود
8:27که کل پروژه رو برای کلود توصیف کردم.
8:30پرامپتم تقریباً این بود می‌خوام یه
8:32برنامه پایتون بنویسی که از وبکم متصل به
8:35سیستم استریم بگیره. با تشخیص حرکت
8:38فریم‌های مهم رو جدا کنه. برای هر فریم
8:41مهم اون فریم بهعلاوه فریم یک ثانیه قبل و
8:44فریم یک ثانیه بعدش رو کنار هم بذاره
8:46بفرسته به ایپیآی اپن ایآی جوابم توی
8:49دیتابیس اس کیو لایت ذخیره کنه یه
8:53داشبوردم بساز که گزارش روزانه رو نشون
8:55بده یعنی پرامت ما فقط همین بود بعد بهش
8:58گفتم که خودت دوربین‌های متصل به سیستم رو
9:01پیدا کن و لیست کن بعد بذار من انتخاب کنم
9:04از کدوم بخونه اینکه من گفتم کلاود یا
9:07کرسر رو توی خود این مینی پی سی نصب کنید
9:10به خاطر همین چیزاشه که خودش می‌تونه حتی
9:13دیتکت کنه الان چه دوربینی بهش وصله شما
9:16خب قطعاً می‌تونید کدو یا کلاود رو یه پی
9:18سی دیگه ران کنید کدش رو بردارید منتقل
9:21کنید به این مینی پی سی اما از این جهت
9:23کارها یه مقدار راحت‌تر میشه دیگه سخت
9:25افزاره‌ها رو هم خودش می‌تونه دیتکت کنه
9:27پس این کارو خیلی راحت می‌کنه دیگه کلود
9:29یا کرسر خودش سخت افزارها رو دیتکت می‌کنه
9:32و تست هم می‌کنه خب حالا بیایم ببینیم چی
9:34ساخت ۷ تا فایل داریم هر کدوم دقیقاً یکی
9:38از اون بلوک‌های دیاگرا رامه فایلfig.pای
9:41شامل همه تنظیماته مثلاً ایندکس دوربینتون
9:45چیه آستانه حساسیت حرکت چیه فاصله زمانی
9:48بین درخواست‌ها چی باشه اسم مدل و این همه
9:52عددها قابل تنظیمن و اینکه همه عددهای
9:55قابل تنظیم یه جا باشن خیلی مهمه چون شما
9:58قراره ساعت‌ها با این عددا وربید و
10:01تغییرشون بدید تا به یه مقدار بهینه
10:03برسید. فایل بعدی فایل کمرا.پایه. این فقط
10:06یه کار می‌کنه از دوربین فریم می‌خونه و
10:09توی یه بافر کوچیک نگهشون می‌داره. این
10:12بافر مهمه. چرا؟ چون من می‌خوام فریم یک
10:15ثانیه قبل رو هم داشته باشم. اگه بافر
10:17نداشته باشیم وقتی فریم حرکت تشخیص داده
10:20میشه دیگه اون فریم قبلی از دست رفته. پس
10:23یک مموری حافظه نگه می‌داریم از ۳۰ فریم
10:26آخر. فایل مشن.پای همون فیلتر ارزون ماست
10:30و کاری که می‌کنه اینه که هر فریم رو با
10:32فریم قبلیش مقایسه می‌کنه. اگه اختلافشون
10:35از یه حدی بیشتر بود میگه اینجا یه اتفاقی
10:38افتاده این عدد رو ببینید این همون عدد
10:41آستانه یا ترشولده که چقدر حساس باشه به
10:44تغییر فریم‌ها من اینو انقدر عوض کردم که
10:47اون حساسیتش اونقدری باشه که من می‌خوام
10:49بعد فایل ویژن.پای هست اینجا سه تا فریم
10:52کنار هم چسبونده میشن تبدیل میشن به یک
10:56تصویر با فرمت بیس که برای اپنآی فرستاده
11:00بشن فایل پرامت.پی پای سیستم پرامپته این
11:03فایل رو جدا نگه داشتم چون بیشترین چیزی
11:06که معمولاً تغییرش میدم اینه سیستم پرامپت
11:09چیه اون دستورالعمل‌هایی که شما به ال
11:12امتون میدید که با اون عکس یا ورودی که
11:15شما بهش میدید چیکار باید بکنه سیستم
11:17پرامپت من تقریباً اینه تو یک ناظر رفتار
11:20حیوان خانگی هستی ۳ تا تصویر پشت سر هم
11:23بهت داده میشه که یه ثانیه فاصله دارن
11:26فعالیت اصلی رو تشخیص بده فقط و فقط یکی
11:29از این چهار گزینه رو برگردون خوابید ده
11:32در حال بازی در حال غذا خوردن نشسته خروجی
11:35رو به فرمت جیسون بده این یه نکته خیلی
11:37مهمه که می‌خوام روش تأکید کنم فرمت
11:40خروجی‌ها رو تعیین کنید یعنی مثلاً
11:42گزینه‌های محدود بهش بدید اگه بذارید یک
11:45مدل آزادانه توصیف کنه هر بار یه چیز
11:48متفاوت میگه شما نمی‌تونید ازش گزارش و
11:50آمار بسازید وقتی میگید فقط این چار تا
11:53خروجی قابل شمارش میشه برای همینم از حالت
11:56استراکچرد اوتپوت استفاده کردم که مدل
11:59مجبور بشه دقیقاً همون اون فرمت جیسون رو
12:02برگردونه فایل استورج.pای در واقع این
12:05دیتابیس اس کی لایت ذخیره شده ماست هر
12:08رکورد تایم استمپ داره فعالیت تشخیص داده
12:10شده میزان اطمینان و مسیرکس فایل دشبورد.p
12:15رابط وب که دیتابیسو می‌خونه و نمودار
12:19می‌سازه فایل m.pای پای همه اینا رو به هم
12:22وصل می‌کنه. حلقه اصلی برنامهست در واقع
12:24نسخه اولی که کار کرد تقریباً نیم ساعته
12:27حاضر شد ولی اینکه بگم کل پروژه نیم ساعت
12:30طول کشید دروغه چون یه سری کارا بود که
12:33خودم باید انجام می‌دادم. اول تنظیم
12:35حساسیت اون آستانه تشخیص حرکت رو باید با
12:39آزمون خطا پیدا می‌کردم. خب هوش مصنوعی
12:41نمی‌دونه تو خونه من چقدر حرکت هست. مثلاً
12:44پرده خونه ممکنه تکون بخوره و این اینو
12:47حرکت تشخیص بده. دوم تنظیم پرامپت. خب
12:50پرامت اولی که نوشتم جواب‌های طولانی
12:52می‌داد بعد تنظیمش کردم و محدودترش کردم.
12:56سوم دیتای مرجع. من چند تا عکس از کندی،
12:59چند تا عکس از کوکو تعریف کردم که مدل
13:02بتونه این دو تا رو از هم تفکیک کنه. اگه
13:04شما مثلاً می‌خواید کارمندای یه شرکت رو
13:07تشخیص بدید باید از هر نفر حدود ۱۰ تا عکس
13:10بسته به مدلی که می‌خواید استفاده کنید از
13:12هر کارمند ۱۰ تا عکس داشته باشید و مدلتون
13:16رو بر اساس اون تنظیم کنید و ترین کنید.
13:19پس هنوز یه پیش‌زمینه لازمه ولی این
13:22پیش‌زمینه خیلی کمتر از قبله و پروژه‌ای
13:25که قبلاً ممکن بود پیاده‌سازیش یکی دو
13:27هفته طول بکشه الان تو یه روز یا نصف روز
13:30انجام میشه و خیلی از این پیش‌زمینی که
13:33باید انجام بدید خود کلود یا کرسر هم
13:36راهنماییتون می‌کنه که چیکارا باید انجام
13:38بدید. یه توضیح کوتاه هم در مورد این
13:40ابزار کرسر بدم. من برای کدنویسی همیشه از
13:43کرسر استفاده می‌کنم چون هم کد رو می‌بینم
13:46هم فایل‌ها رو می‌بینم هم ترمینال رو همه
13:48رو یه جا دارم و خب علاوه بر اون ایجنت
13:51کدنویسی هم اونجا خیلی قوی حضور داره برای
13:54کسی که با کدنویسی آشناست این خیلی
13:56راحت‌تره چون وسط کار می‌تونه توی قسمت کد
13:59مداخله کنه ولی شما اگه اصلاً کدنویسی بلد
14:02نیستید کار با کلود هم دقیقاً می‌تونه
14:05همین خروجی و همین نتایج رو به شما بده و
14:08خیلی راحت‌تر و طبیعی‌تر من برای خیلی
14:10کارای دیگه هم از کلود استفاده می‌کنم.
14:12حالا این انتخاب ابزار خیلی مهم نیست. مهم
14:14اینه که بدونید چطوری باهاش حرف بزنید،
14:16بدونید چی می‌خواید و پروژه‌تون رو خوب
14:19بتونید توصیف کنید. بریم حالا اجراش کنیم.
14:21با تایپ کردن.p
14:24و دکمه انتر. اولین کاری که می‌کنه اینه
14:26که دوربینو باز می‌کنه. این پنجره‌ای که
14:29می‌بینید تصویر زنده دوربینه. اینجا توی
14:32ترمینال داره وضعیتشو پرینت می‌کنه. الان
14:34که تو حالت انتظاره هیچ حرکتی نیست. پس
14:37هیچ درخواستی هم به اپن ایآی نمیره. این
14:39نکته مهمیه. هزینه این سیستم موقعی که هیچ
14:43اتفاقی نمیفته صفره. مثلاً اینجا کندی
14:46میاد توی تصویر ببینید اینجا حرکت تشخیص
14:49داده شد. الان سه تا فریمو کنار هم
14:51می‌ذاره و خودش اینا رو تو بکگراند انجام
14:54میده. س۳ تا فریمو برای اپن ایآی می‌فرسته
14:57و جوابی که گرفت توی ترمینال مثلاً تایپ
15:01میشه که این الان داره به ظرف غذا نزدیک
15:04میشه. بالا سر ظرف غذا وایساده و یه
15:07برچسبی هم می‌زنه که یعنی مثلاً داره غذا
15:09می‌خوره. فیدینگ یعنی داره غذا می‌خوره که
15:12این دقیقاً درسته این الان کل چرخست تشخیص
15:14حرکت انتخاب فریم ارسال دریافت الان این
15:18جواب فقط توی ترمینال پرینت نمیشه توی
15:20دیتابیسم ذخیره میشه و این جدول رکوردهای
15:23امروزه ساعت فعالیت لینک عکس از اینجا به
15:27بعد دستتون کاملاً بازه مثلاً من می‌تونم
15:30بگم که به جای اینکه تو دیتابیس ذخیره کنه
15:32یه پیام تلگرام بفرسته می‌تونم بگم فایل
15:35سی‌ اس وی بسازه یا مثلاً موقع تشخیص یه
15:38حرکت خاص یه آلارم صوتی از اسپیکر پخش
15:41کنه. مثلاً برای سگ‌ها من این شرطو گذاشتم
15:44که اگه رفتن سمت قسمتی از خونه که من
15:46نمی‌خوان برن یک آلارم صوتی پخش کنه یا
15:49حتی برای ترن کردن سگ‌ها این می‌تونه یه
15:51ایده جالب باشه و این داشبوردی که ساخته
15:54شد اینجا نمودار فعالیت در روزه. می‌بینید
15:57که صبح‌ها بیشترین فعالیت رو دارن. ظهر
16:00تقریباً همش خوابن و بعد از ظهر دوباره
16:03فعال میشن. اینجا هم مجموع زمان هر
16:05فعالیتو نشون میده. چند ساعت خوابیدن چند
16:08بار غذا خوردن. چقدر بازی کردن؟ اینم تایم
16:10لاین رخدادهاست. مثلاً می‌تونم روی هر
16:12کدوم کلیک کنم و عکس همون لحظه رو ببینم.
16:15حالا این نسخه مینیمومه. یعنی کمترین چیزی
16:18که می‌تونه کار کنه. قطعاً می‌تونید خیلی
16:20پیشرفته‌ترش کنید. مثلاً یه مثال بزنم.
16:23الان من برای تشخیص فریم مهم یه فیلتر
16:26تشخیص حرکت گذاشتم. حالا اگه یه آدم از
16:29جلوی دوربین رد بشه باز هم این فیلتر حرکت
16:32تشخیص میده و برای ما مطلوب نیست. راهحل
16:36بهترش اینه که مثلاً یک مدل یولو ترین
16:39کنید که فقط سگ‌ها رو تشخیص بده. اصلاً
16:42ترین کردم نمی‌خواد چون یولو همین جوریشم
16:45یکی از کلاس‌هایی که تشخیص میده سگ هستش
16:48که دیگه حرکت اشیای دیگه یا انسان‌ها رو
16:51تشخیص نده. فقط مشخصاً حرکت سگ‌ها یا وارد
16:55شدن سگ‌ها به فریم رو تشخیص بده. من ویدیو
16:58آموزش یولو رو قبلاً توی همین کانال
17:00گذاشتم. لینک اونم می‌ذارم اینجا اگه
17:02علاقه‌مند بودید و می‌تونید پروژه‌هاتونو
17:04پیشرفته‌ترم بکنید. حالا یه سؤالی که شاید
17:07براتون پیش بیاد اینه که چرا از اپن ایآی
17:09استفاده کردم؟ چرا از یه ال ام لوکال
17:12استفاده نکردم اصلاً آیا میشه رو همچین
17:14دستگاهی ال ام لوکال اجرا کرد یا نه؟ جواب
17:17اینه که بستگی داره. برای اینکه یه ال امی
17:20داشته باشیم که در حد جی پیت تی یا کلود
17:23کار کنه به یه سیستم خیلی خیلی قوی احتیاج
17:26داریم که چند برابر این مینی پی سی باشه.
17:29سیستم معمولی و مقرون به صرفه برای هاست
17:32کردن ال ام خوب جواب نمیدن ولی مدل‌های ال
17:35ام کوچیک‌تر که در حد ۷ یا ۸ میلیارد
17:37پارامتر هستن روی همچین سیستمی قابل ران
17:40شدن هستن ولی شاید خب اون کیفیت ال ام‌های
17:44جی پیت تی یا کلودو نداشته باشن به نظرم
17:46تست کنید ببینید اون کیفیت کاری که
17:49می‌خواید انجام بدید رو با این مدل‌های
17:51کوچیک ه میلیارد پارامتری می‌تونید به دست
17:53بیارید یا نه؟ چون مثلاً برای یه سری
17:55کارای ساده مثل طبقه‌ بندی این مدل‌ها
17:58شاید کافی باشن. اگه دیدید نه کیفیتش کافی
18:01نیست می‌تونید از مدل‌های هاست شده توی
18:03اپنآی یا سایت‌هایی مثل اپن راوتر یا فال.
18:08استفاده کنید که مدل‌های زیادی رو آفر
18:10میدن. یه نکته مهم دیگه هم که هست در مورد
18:13این مدل‌های لوکال یا هاستد اینه که شما
18:17تصاویری که دارید با این دوربین‌ها
18:19می‌گیرید و می‌فرستید به یک ال ام توجه
18:22کنید که دارید به یک سرور خارجی می‌فرستید
18:25و نسبت به پروژهتون باید در نظر بگیرید که
18:28آیا می‌خواهید این تصاویر به یک سرور
18:30خارجی بره برای همچین پروژه‌ای که من الان
18:33نشون دادم خب خیلی مهم نیست اما اگه
18:35پروژهتون حساسره یا تصاویر خودتون تصاویر
18:39شخصیه نمیخواید بره اون خودش یه دلیل مهمه
18:42برای رفتن سمت مدل‌های لوکال حتی اگه
18:45کیفیتش یه مقدار پایین‌تر باشه. خب حالا
18:48مهم‌ترین بخش اینکه شما با این ستآپ چه
18:50پروژه‌هایی می‌تونید بسازید؟ یه چند تا
18:53مثال بهتون بگم. مثلاً برای مغازه یا
18:55انبار شما می‌تونید یه دوربین بذارید که
18:57قفسه‌ها رو نشون بده و از قبل مشخص کنید
19:01که هر سکشن مخصوص کدوم محصول یا اصلاً یه
19:04کالر کدهایی روی قفسه‌ها بذارید. به محض
19:06اینکه یه قفس خالی شد یا نزدیک خالی شدن
19:09بود خودش لیست موجودی رو آپدیت می‌کنه و
19:12حتی بهتون آلارم میده یا پروسه ثبت سفارش
19:16رو فعال می‌کنه یا حتی یه سیستم امنیتی
19:19دزگیر هوشمند یا مانیتورینگ پارکینگ و فقط
19:22ثبت حرکت نیست اینکه تو پارکینگ شما نظارت
19:26کنید ببینید که آیا یک ماشین ناشناس وارد
19:28پارکینگ میشه یا نه یا ایده‌های فانتر
19:31مثلاً یخچال هوشمند که ببینه چه غذایی تو
19:34یخچال دارید بر اساس اون بهتون پیشنهاد
19:37غذا بده یا اصلاً بگه چه خریدهایی لازمه
19:39انجام بدید. حالا یه چیز جالب من توی تمو
19:41دست رباتیکم دیدم. برام جالبه که اگه یه
19:44ایده مکانیکی هم به ذهنمون برسه اونو هم
19:47بتونیم پیاده‌سازی کنیم. یعنی سیستم فقط
19:49نگاه نکنه و حرف بزنه. یه کاری هم انجام
19:51بده. اگه ایده جالبی داشتید حتماً تو
19:54کامنتها بنویسید. شاید یکی از ویدیوهای
19:56بعدی اون کارو انجام بدیم. خب یه موضوعی
19:58که شاید مهم‌ترین حرف این ویدیو باشه
20:01اینه. قبلاً من وقتی یه ویدیوی پروژه محور
20:04می‌ساختم کارم این بود که کد رو خط به خط
20:07یاد می‌دادم الگوریتم رو توضیح می‌دادم
20:10الان دیگه اون بخش رو هوش مصنوعی انجام
20:12میده اون چیزی که ارزش داره الان یاد
20:14بگیرید کد نیست اون ساختاره که مهمه یاد
20:17بگیرید مثل اون ۵ تا بلوکی که من اول
20:19ویدیو گفتم ورودی فیلتر پردازش تخصصی مغز
20:24خروجی با همین ساختار شما بی‌نهایت
20:27سناریوهای مختلف می‌تونید بسازید اما اگه
20:29سناریوتون متفاوت بود هم با همین ایآی
20:32صحبت کنید ببینید ساختار مورد نیاز پروژه
20:35شما چیه اول اون ساختارو خوب تعیین کنید
20:37بعد بدید که ایآی کدشو براتون بنویسه یعنی
20:40کافیه با کلود یا هر ابزای دیگه‌ای بشینید
20:43و بگید من دقیقاً اینا رو می‌خوام
20:45خواسته‌هام اینه محدودیت‌ها اینه چه
20:47مراحلی نیاز هست و اون تقریباً ۹۰ کارو
20:50براتون انجام میده شما شاید فقط لازم باشه
20:53یه ایپیآکی بگیرید سخت‌افزارش رو تهیه
20:56کنید و اون یه مقدار تنظیم و آزمون خطا رو
20:59انجام بدید در مورد خود وسایل من من از
21:01این مینی پی سی خیلی راضی بودم از
21:03مانیتورش هم الان دیگه بخشی از ساب من شده
21:06باز همون طور که گفتم لینک هر چ۴ار تا
21:09محصول توی دیسکریپشن هست با تخفیف تمو اگه
21:12ایده پروژه جالب‌تری به ذهنتون می‌رسه
21:14حتماً تو کامنتها بگید اگه ایده خیلی جالب
21:16بود حتماً تو ویدیوی بعدی می‌سازیمش و
21:19پیاده‌سازیش می‌کنیم خب دوستان مثل همیشه
21:22ممنون که همراه بودید امیدوارم براتون
21:24مفید بوده باشه فعلاً تا ویدیوی بعدی
21:26خدانگهدار Так.

About this transcript

This page contains the full transcript of پروژه‌ ی هوش مصنوعی تو یک روز ساختم by Maryam Sadeghi, generated from the public captions YouTube serves with the video. The transcript has 3,490 words across 451 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.