⭕ تشخیص بلادرنگ ؛ با خانواده YOLO (نسخه‌های ۱۰ تا ۲۶) • مدلهای YOLO همچنان استاندارد طلایی برای سرعت و دقت در تشخیص اشیا هستند. 🔸مدل YOLOv10: حذف NMS، کمترین تأخیر، ایده‌ال برای استقرار روی لبه. 🔸مدل YOLOv11: یک مدل برای Detection، Segmentation، Pose و OBB – مناسب پروژه‌های چندوظیفه. 🔸مدل YOLOv12: معماری Attention-centric با دقت ۵۵.۸ mAP. 🔸مدل YOLOv26: بهینه برای CPU (۴۳% سریع‌تر) و دستگاه‌های کم‌مصرف. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

↩ مفهوم NMS در مدل‌های YOLO در تشخیص اشیای تصویر مفهوم NMS به معنای سرکوب غیرحداکثری است ؛ باهدف حذف باکس‌های تکراری برای هر شیء. مدل YOLO برای یک شیء واحد، ده‌ها باکس اضافی با نمرات اطمینان متفاوت تولید می‌کند. نحوه کار به این صورته که باکس با بالاترین نمره را انتخاب کرده، سپس باکس‌های دیگر که هم‌پوشانی زیادی (مثلاً IOU > 0.5) با آن دارند را حذف می‌کند. این کار تا وقتی همه باکس‌های تکراری حذف شوند ادامه می‌یابد. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

📁#پروژه تشخیص پنومونی ریوی بااستفاده از پردازش تصویر ▫️پنومونی یا ذات‌الریه عفونتی است که کیسه‌های هوایی را در یک یا هر دو ریه ملتهب می‌کند. پزشکان در بخش اورژانس زمان زیادی برای بررسی اولیه ریه‌ها صرف می‌کنند. ✅ در این پروژه با استفاده از مدل مناسب روی دیتاست‌ معتبر با دقت >۹۰٪ که نواحی مشکوک را روی تصویر مشخص می‌کند ؛ تشخیص مناسبی انجام دادیم. + این پروژه قابل استفاده در بیمارستان‌ها ، کلینیک‌های رادیولوژی، استارتاپ‌های تله‌مدیسین و سایر پروژه های تحقیقاتی میباشد. 📥 برای دریافت آموزش این پروژه بهمراه کدها و دیتاست مربوطه ؛ میتوانید باادمین ارتباط بگیرید: 👤@intellimage_admin 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

📉 انقلاب در Segmentation با خانواده SAM ▫️ مدل SAM (Segment Anything): مدل بنیادین برای segmentation بدون آموزش روی کلاس خاص. - مدل SAM2: سرعت ۶ برابر در segmentation ویدئویی. - مدل SAM3 (ICLR 2026): قابلیت segment کردن همه نمونه‌های یک مفهوم (مثلاً همه اتوبوس‌های زرد) با پرامپت متنی. معماری ترکیبی DETR+SAM2. - مدل SAM 3.1: Object Multiplexing – پردازش همزمان تا ۱۶ شیء، کاهش هزینه استنتاج. + یادآوری انواع segmentation: • مدل Semantic: هر پیکسل یک کلاس (همه ماشین‌ها یک رنگ) • مدل Instance: هر شیء مجزا (ماشین شماره ۱، شماره ۲) • مدل Panoptic: ترکیب دو روش بالا 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

📉الگوریتم واترشد در پردازش تصویر الگوریتم واترشد (Watershed Algorithm) یکی از روش‌های بسیار محبوب در پردازش تصویر برای بخش‌بندی (Segmentation) است. این روش بر پایه یک استعاره جغرافیایی ساده بنا شده که در ادامه آن را بررسی می‌کنیم. تصور کنید یک تصویر خاکستری (Grayscale) را به عنوان یک نقشه توپوگرافی در نظر بگیریم: پیکسل‌هایی که مقدار روشنایی (Intensity) بالایی دارند، مثل قله‌های کوه هستند. پیکسل‌هایی که مقدار روشنایی کمی دارند، مثل دره‌ها (گودال‌ها) هستند. حالا فرض کنید از هر “گودال” (کمینه محلی)، آب به درون تصویر می‌ریزیم. با بالا آمدن سطح آب، مناطق مختلف پر می‌شوند. جایی که آب دو حوضه مختلف به هم می‌رسند، ما یک سد (Watershed) می‌سازیم تا از ادغام آن‌ها جلوگیری کنیم. این سدها همان مرزهای اشیاء در تصویر هستند. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

📂#پروژه اندازه‌گیری غیرتماسی ضربان قلب از روی ویدئوی صورت (rPPG) بااستفاده از پردازش تصویر پروژه rPPG (تصویربرداری نوری ضربان‌حجمی) بر این اصل استوار است که با هر تپش قلب، حجم خون در رگ‌های صورت تغییر کرده و این تغییر باعث انعکاس متفاوت نور از پوست می‌شود. الگوریتم با دریافت ویدئوی معمولی (یا حرارتی) از صورت، ناحیه پوست را پایدارسازی و ردگیری کرده سپس میانگین شدت نور در کانال‌های رنگی (معمولاً سبز یا کل فضای رنگی) را استخراج می‌کند. با استفاده از فیلترهای پردازش سیگنال مانند ICA، PCA یا فیلترهای میان‌گذر در محدوده فرکانس قلب (۰.۷ تا ۴ هرتز)، نویزهای ناشی از حرکت و نور محیط حذف شده و سیگنال ضربان قابل محاسبه می‌شود. + این پروژه برای استارتاپ‌های سلامت دیجیتال، مراکز تناسب اندام، کلینیک‌های پزشکی از راه دور و مراکز درمانی مناسب است. + برای دریافت آموزش این پروژه بهمراه کدها و دیتاست مربوطه ؛ میتوانید باادمین ارتباط بگیرید: 👤@intellimage_admin 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage #project

📉 شمارش و تحلیل گلبول‌های قرمز (RBC) با پردازش تصویر 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage

📂#پروژه شمارش و تحلیل گلبول‌های قرمز با پردازش تصویر در پروژه‌های پردازش تصویر پزشکی و آزمایشگاهی، یکی از کاربردهای مهم بینایی ماشین، شمارش گلبول‌های قرمز (RBC) و بررسی دقیق آن‌هاست.  می‌توان تصاویر میکروسکوپی را پردازش کرد، سلول‌ها را از پس‌زمینه جدا نمود، سلول‌های چسبیده را تفکیک کرد و در نهایت، هر سلول را با یک رنگ متفاوت نمایش داد. این کار فقط برای "شمارش" نیست؛ بلکه می‌تواند در موارد زیر هم بسیار مفید باشد: - تشخیص سلول‌های سالم و معیوب  - تحلیل تراکم سلولی  - جداسازی سلول‌های به‌هم‌چسبیده  - آماده‌سازی داده برای الگوریتم‌های هوش مصنوعی  - کمک به اتوماسیون در آزمایشگاه‌های پزشکی  در این پروژه معمولاً از مراحل زیر استفاده می‌شود: ۱. پیش‌پردازش تصویر برای کاهش نویز  ۲. آستانه‌گذاری و جداسازی سلول‌ها  ۳. حذف نواحی اضافی و نویز  ۴. جداسازی سلول‌های چسبیده با روش‌هایی مثل watershed ۵. شمارش و رنگی‌سازی هر سلول به‌صورت جداگانه  + نتیجه این فرآیند، یک سیستم دقیق، سریع و قابل‌اعتماد برای تحلیل تصاویر خونی است که می‌تواند در محیط‌های آزمایشگاهی و پژوهشی نقش مهمی داشته باشد. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage