01 / ARTIFICIAL INTELLIGENCE
JELLYFISH
DETECTION.
YOLO / PYTHON / COMPUTER VISION
01 / OVERVIEW
PROJECT OVERVIEW
AI-POWERED
JELLYFISH DETECTION.
本專案使用 Python 與 YOLOv8 建立水母影像物件偵測模型, 透過深度學習技術辨識影像中的水母, 並以 Bounding Box 標示物件位置, 同時輸出水母類別與信心分數。
02 / OBJECTIVE
PROJECT OBJECTIVE
DEVELOP AN AI MODEL
FOR JELLYFISH RECOGNITION.
本專案的主要目標是運用 YOLOv8 進行水母物件偵測,讓模型能夠從輸入影像中 找出水母所在位置,並辨識其所屬類別。
透過模型輸出的辨識框、類別標籤及信心分數, 觀察模型對不同水母品種的辨識結果。
03 / TECHNOLOGY
TOOLS & TECHNOLOGY
04 / DETECTION CLASSES
FOUR TYPES.
ONE DETECTION MODEL.
本專案以四種水母作為辨識類別, 透過 YOLOv8 進行影像物件偵測, 並觀察模型對不同類別的辨識結果。
BARREL
Barrel Jellyfish
BLUE
Blue Jellyfish
COMPASS
Compass Jellyfish
LIONS MANE
Lions Mane Jellyfish
05 / DEVELOPMENT PROCESS
FROM DATA TO
DETECTION.
本專案透過資料準備、模型訓練與影像推論, 建立水母影像辨識流程,並觀察模型的辨識結果。
Dataset Preparation
準備水母影像資料,整理不同水母類別, 作為模型辨識任務的資料來源。
Data Annotation
整理影像標籤與類別資訊, 讓模型能夠學習不同水母類別及其所在位置。
YOLO Model Training
使用 YOLO 模型進行水母影像辨識訓練, 建立能夠偵測水母位置與類別的模型。
Image Inference
將待辨識影像輸入模型, 執行物件偵測並取得模型輸出結果。
Result Analysis
觀察模型輸出的 Bounding Box、 水母類別與 Confidence Score, 檢視影像辨識成果。
實驗成果展示
透過模型實際辨識結果,呈現水母影像辨識專案的執行成果。
YOLO Jellyfish Detection Result
水母影像辨識結果
將水母影像輸入訓練完成的 YOLO 模型, 透過模型輸出的辨識框、類別標籤及信心分數, 觀察模型對影像中水母的辨識結果。
本次展示為單張影像的推論結果, 0.95 代表該次辨識的信心分數, 並不等同於模型整體準確率。
學習心得與反思
從影像資料處理到模型訓練, 累積人工智慧影像辨識的實作經驗。
Technical Learning
技術學習
親自參與水母影像資料標註、 YOLO 模型訓練及參數調整, 理解影像辨識模型從資料準備 到實際推論的基本流程。
Practical Experience
實作經驗
透過模型訓練與測試, 觀察不同參數設定下的辨識結果, 並依據實際輸出調整模型設定, 累積 AI 模型實作經驗。
Personal Growth
能力成長
從資料處理、模型訓練到結果分析, 培養自主學習、技術操作與問題分析能力, 進一步認識人工智慧在實際情境中的應用。