ai選取物件的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

App Inventor 2輕鬆學 : 手機應用程式簡單做(第二版)

為了解決ai選取物件的問題，作者鄭苑鳳,黃乾泰 這樣論述：

易學易懂的圖解說明，加深學習者的印象與使用技巧。   　　★以深入淺出的方式，站在無程式背景的學習者角度思考，目的是讓學習者利用邏輯思維與執行步驟來思考問題和解決問題。   　　★每章都有多個應用範例，範例精緻且多樣化，依照指示進行設定都能完成編排。   　　★以「做中學」的方式，讓學習者將所學到的組件應用在實際的範例之中。   　　★本書是全方位的APP Inventor學習教材，除了學習程式模塊的運用技巧外，圖像的設計製作也有著墨，讓學習者跟著附錄的解說，也能加入精美的圖案或背景插圖，輕鬆美化生硬的版面。   本書特色   　　◆本書專為毫無程式設計背景的人所撰寫，讓學習者利用邏輯思

維與執行步驟來思考問題和解決問題，靈活運用App Inventor所提供的程式模塊，輕鬆設計出各種豐富而精采的APP專案。   　　◆書中規劃了「簡單做設計」和「密技」單元，讓學習者輕鬆運用介紹的功能來編排版面或設定組件的程式模塊，「範例」是將該章節所學到功能技巧，靈活運用到日常生活的APP專案中，範例多達三十個以上，精緻而完整。   　　◆本書「附錄」將一般讀者不熟悉的影像處理也一併做介紹，對於如何製作去背景的按鈕，以及如何製作螢幕背景圖的技巧都一併做介紹，讓讀者不再為插圖的設計傷腦筋。   　　◆內附完整範例與相關圖檔，方便學習者操作練習，無程式基礎的人也能輕鬆上手無負擔。   　　◆從開

發環境的建構、專案的設計、管理、維護、測試、打包、上架Play商店等都有完整解說，主題涵蓋介面的布局、程式基礎運算、流程控制、清單應用、影片、音樂、照相、錄影、繪圖、動畫、網路瀏覽器、地標搜尋、導航、電話、簡訊、聯絡人等各種應用，內容精彩有看頭。

ai選取物件進入發燒排行的影片

整合UAV與物件式導向分類 應用於海岸廢棄物

為了解決ai選取物件的問題，作者李政璁 這樣論述：

台灣海岸線每年平均清理出5000公噸的廢棄物，若以傳統人工方式調查和清理海岸廢棄物曠日廢時。無人飛行載具(Unmanned Aerial Vehicle，UAV)具有高機動性且低成本的特性，所以利用UAV拍攝影像快速取得海岸線的正射影像資料，再結合影像辨識技術進行影像分類，快速判釋海岸上的廢棄物。影像辨識方法採用物件式導向分類(Object-Based Image Analysis，OBIA)為基礎，區域化物件分類可以將影像資訊由像元尺度(Pixel-Scale)提升至區塊尺度(Region-Scale)，分割後便可對區塊選取訓練樣本。影像經由地物分類大致上可以分出以下六大類：植生、水體、垃

圾、沙灘、漂流木、岩石等類別，另外在進行影像辨識過程中，除了採用原始影像提供之R、G、B和NIR波段，本研究以提升分類成果為目的，將影像之植生指數及其他屬性質加入區塊，並分別發現加入了植生指數與紋理資訊後可明顯提升影像分類成果。使用空拍原始影像波段的細部分類結果整體精度為0.36(Kappa為0.26)，而加入了植生指數與紋理資訊後細部分類成果精度為0.68(Kappa為0.60)，發現海岸線影像加入紋理與近紅外光波段雖可以有效提升整體分類成果，但分類成果精度仍不佳，為了提升分類精度和加速硬體運算速度，便將影像水體切除並減少分類類別後，分類成果精度為0.92(Kappa為0.84)。本研究的主

要目的在於探討海岸線影像辨識海岸廢棄物所提出之分類方法，並可協助往後調查與清理海岸廢棄物。

AI影像深度學習啟蒙：用python進行人臉口罩識別

為了解決ai選取物件的問題，作者廖源粕 這樣論述：

　　本書涵蓋的內容有 　　★線上平台COLAB使用教學 　　★本機電腦Jupyter使用教學 　　★基本運算、變數與字串 　　★串列、元組、集合與字典 　　★流程控制if else 　　★流程控制for與while 　　★函數、類別與物件 　　★資料夾與檔案處理 　　★txt、csv、json文件的讀寫 　　★基礎套件的使用 　　★Numpy的使用 　　★OpenCV的使用 　　★完整Tensorflow安裝流程 　　★Tensorflow的使用 　　★類神經網路(ANN)原理與實作 　　★卷積神經網路(CNN)原理與實作 　　★模型可視化工具Netron的使用 　　★口罩識別模型教學 　

　★影像串流與實時口罩識別 　　這是一本想給非資電領域或初學者的入門書籍，內容從基礎語法開始，使用日常所見的比喻協助理解，在AI類神經網路的基礎部分，使用大家都熟悉的二元一次方程式來切入，多以圖表來說明概念，避免艱澀的數學推導，一步一步講解建立深度學習模型的步驟，書本最後還帶入口罩識別模型的教學實例，協助讀者從頭到尾完成一個專題，讓AI更貼近你我的生活。  

運用人工智慧辨識IC及異常數據分析預測

為了解決ai選取物件的問題，作者傅雙玉 這樣論述：

本研究的目的係運用人工智慧(Artificial Intelligence, AI)中的三種工具，(1)卷積神經網路(Convolutional Neural Network, CNN)中Yolov3即時物件偵測系統、(2)Microsoft Azure Custom Vision自訂視覺，以及(3)懷卡托智能分析系統 (Waikato Environment for Knowledge Analysis, WEKA)，對IC的瑕疵進行訓練及測試，進而尋找及預測出IC發生異常的原因。前2項軟體用於IC的瑕疵辨識，而Weka則是利用各種演算法，對IC異常的數據資料進行訓練、建立模型，然後運用及

測試該模型，以預測出IC發生異常的原因。Yolov3即時物件偵測系統，使用LabelImage工具做圖片標示，然後在Google Colaboratory (簡稱Colab) 的環境進行模型訓練和測試。在Yolov3的訓練模式中，總共上傳608張IC圖片，做了4個階段的迭代次數比較；最後一次迭代次數為16,440，總損失函數為0.0413，平均損失函數則為0.0488；在每階段做完訓練後，各抽樣好與壞的圖片，計算其辨識成功率，在最終辨識結果方面，總平均辨識率已從71% 提高到98%。Microsoft Azure Custom Vision自訂視覺，係使用智慧型Labeler做標示，優點是單一

分類的物品可以整包上傳後只要標示一次，即可訓練及測試這些圖片。本研究的自訂視覺模型的訓練及測試，總共分了6個階段，從張數30張增加到943張的圖片進行階段性比較，其最終辨識結果，AP(average precision)平均精度已自83%提高到98%。在Weka模型訓練及測試中，選取Logistic、Multilayer Perceptron及J48這3種演算法對所收集的IC異常數據進行模型訓練及測試，從而分析及預測IC發生異常的原因和實際數據結果是否相符。本研究分別使用了第1階段32筆、第2階段42筆數據做訓練，建立起訓練模型，Logistic和Multilayer Perceptron演算

法的訓練模型，其分類正確性都是100% 精確，而J48演算法的訓練模型，其正確分類的結果從87.5%提高為90.48%。後繼於建立起的訓練模型，再分2階段投入10筆和5筆的測試資料集進行測試及預測。由取得的預測結果可知，以Logistic 演算法的訓練模型其精確度最高最適合作為本研究的預測。