پردازش تصویر هوشمندIntellimage
🔍 چرا دیتای نادرست مدل را بی‌صدا نابود می‌کند؟ وقتی مدل سالم است، دیتا نه! همه ما این تجربه رو داشتیم ، ساعت‌ها زمان میزاریم ، مدل رو بهینه می‌کنیم، اما بعد از دیپلوی، نتایج عجیب و غریب می‌بینیم . مشکل از مدل نیست، از دیتای نامناسب است. مدل یاد نمی‌گیرد…
🆕️ فناوری Pandera اعتبارسنجی دیتافریم قبل از ورود به مدل
✍ در ادامه ی پست قبل که در رابطه با اعتبار سنجی سیستماتیک دیتاست صحبت کردیم؛ فناوری Pandera به عنوان یک فریمورک سبک و انعطاف‌پذیر برای اعتبارسنجی دیتافریم‌هاست که پایپ‌لاین‌های دیتا را خواناتر و مقاوم‌تر می‌کند.
· دو روش تعریف اسکیما:
- روش Declarative (مبتنی بر دیکشنری) برای تعریف سریع
- روش Class-based با DataFrameModel برای علاقه‌مندان به dataclass و Pydantic
بررسی‌های قدرتمند دیتا فقط شامل چک تایپ نیست؛ می‌توان بررسی‌های سفارشی مثل isin، str_startswith، gt، lt و Lambda نوشت.
این فناوری فراتر از Pandas ؛ از Polars، PySpark، Dask، Modin، GeoPandas و Ibis هم پشتیبانی می‌کند؛ درواقع یک اسکیما برای کل اکوسیستم پایتون !
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
✍ در ادامه ی پست قبل که در رابطه با اعتبار سنجی سیستماتیک دیتاست صحبت کردیم؛ فناوری Pandera به عنوان یک فریمورک سبک و انعطاف‌پذیر برای اعتبارسنجی دیتافریم‌هاست که پایپ‌لاین‌های دیتا را خواناتر و مقاوم‌تر می‌کند.
· دو روش تعریف اسکیما:
- روش Declarative (مبتنی بر دیکشنری) برای تعریف سریع
- روش Class-based با DataFrameModel برای علاقه‌مندان به dataclass و Pydantic
بررسی‌های قدرتمند دیتا فقط شامل چک تایپ نیست؛ می‌توان بررسی‌های سفارشی مثل isin، str_startswith، gt، lt و Lambda نوشت.
این فناوری فراتر از Pandas ؛ از Polars، PySpark، Dask، Modin، GeoPandas و Ibis هم پشتیبانی می‌کند؛ درواقع یک اسکیما برای کل اکوسیستم پایتون !
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤2🤩1😍1
🆕️ ۹۲۰ پروژه اوپن‌سورس Python برای ML — ریپوی مرجع Best-of Machine Learning with Python
۳۴ دسته از PyTorch ،TensorFlow ،scikit-learn و XGBoost تا MLOps، دیپلوی مدل، Experiment Tracking، Vector Search، GPU و RL.
📥 https://github.com/lukasmasuch/best-of-ml-python
+DataScience_ir
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
۳۴ دسته از PyTorch ،TensorFlow ،scikit-learn و XGBoost تا MLOps، دیپلوی مدل، Experiment Tracking، Vector Search، GPU و RL.
📥 https://github.com/lukasmasuch/best-of-ml-python
+DataScience_ir
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤5🤩1😍1
فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد !
✍ در پروژه‌های AI و Computer Vision، صرفاً داشتن یک مدل با Accuracy بالا به معنی موفقیت پروژه نیست.
مدلی که فقط داخل یک Jupyter Notebook یا IDE اجرا می‌شود، هنوز بخش کوچکی از مسیر را طی کرده است.
ارزش واقعی زمانی ایجاد می‌شود که بتوانیم مدل را از محیط توسعه خارج کنیم و به یک سیستم یا محصول واقعی تبدیل کنیم؛ سیستمی که با داده‌های واقعی، نرم‌افزار، سخت‌افزار و کاربر نهایی ارتباط داشته باشد و بتواند یک مسئله واقعی را حل کند.
مسیر واقعی یک پروژه می‌تواند چیزی شبیه این باشد:
Data → Model → API → Application → Deployment → Real-World Impact
پس در کنار سؤال‌هایی مثل:
- دقت مدل چقدر است؟
- چه معماری‌ای استفاده شده؟
- آیا مدل بهتر از روش‌های قبلی عمل می‌کند؟
باید بپرسیم:
. این مدل دقیقاً چه مسئله‌ای را حل می‌کند؟
. چگونه وارد یک Application یا محصول واقعی می‌شود؟
. چگونه روی داده‌های واقعی کار می‌کند؟
. چطور Deploy و در دنیای واقعی استفاده می‌شود؟
به همین دلیل، کدنویسی و اجرای یک مدل پایان پروژه نیست؛ بلکه شروع مسیر تبدیل یک ایده به یک راهکار واقعی است.
در ادامه بیشتر درباره مسیر تبدیل AI و Computer Vision از یک مدل آزمایشگاهی به یک سیستم و محصول کاربردی صحبت می‌کنیم.باماهمراه باشید✨
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
✍ در پروژه‌های AI و Computer Vision، صرفاً داشتن یک مدل با Accuracy بالا به معنی موفقیت پروژه نیست.
مدلی که فقط داخل یک Jupyter Notebook یا IDE اجرا می‌شود، هنوز بخش کوچکی از مسیر را طی کرده است.
ارزش واقعی زمانی ایجاد می‌شود که بتوانیم مدل را از محیط توسعه خارج کنیم و به یک سیستم یا محصول واقعی تبدیل کنیم؛ سیستمی که با داده‌های واقعی، نرم‌افزار، سخت‌افزار و کاربر نهایی ارتباط داشته باشد و بتواند یک مسئله واقعی را حل کند.
مسیر واقعی یک پروژه می‌تواند چیزی شبیه این باشد:
Data → Model → API → Application → Deployment → Real-World Impact
پس در کنار سؤال‌هایی مثل:
- دقت مدل چقدر است؟
- چه معماری‌ای استفاده شده؟
- آیا مدل بهتر از روش‌های قبلی عمل می‌کند؟
باید بپرسیم:
. این مدل دقیقاً چه مسئله‌ای را حل می‌کند؟
. چگونه وارد یک Application یا محصول واقعی می‌شود؟
. چگونه روی داده‌های واقعی کار می‌کند؟
. چطور Deploy و در دنیای واقعی استفاده می‌شود؟
به همین دلیل، کدنویسی و اجرای یک مدل پایان پروژه نیست؛ بلکه شروع مسیر تبدیل یک ایده به یک راهکار واقعی است.
در ادامه بیشتر درباره مسیر تبدیل AI و Computer Vision از یک مدل آزمایشگاهی به یک سیستم و محصول کاربردی صحبت می‌کنیم.باماهمراه باشید✨
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
😍4❤1🔥1👏1🤩1
پردازش تصویر هوشمندIntellimage
فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد ! ✍ در پروژه‌های AI و Computer Vision، صرفاً داشتن یک مدل با Accuracy بالا به معنی موفقیت پروژه نیست. مدلی که فقط داخل یک Jupyter Notebook یا IDE اجرا می‌شود، هنوز بخش کوچکی از مسیر را طی کرده است. ارزش واقعی…
🆕️از مدل تا محصول واقعی PROJECT 01
✍ در پست قبلی گفتیم:
فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد.
حالا وقت آن است که این موضوع را واقعاً اجرا کنیم.
در Intellimage یک پروژه Computer Vision را از صفر تا یک سیستم قابل استفاده جلو می‌بریم.
• پروژه چیست؟
ساخت یک Real-Time Traffic Vision System
سیستمی که بتواند در تصاویر و ویدئوها:
. خودروها
. اتوبوس‌ها
. کامیون‌ها
را شناسایی کند.
اما هدف ما فقط آموزش یک مدل Object Detection نیست.
می‌خواهیم مسیر کامل را طی کنیم:
Data → Model → API → Application → Deployment
باماهمراه باشید 🍁
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
✍ در پست قبلی گفتیم:
فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد.
حالا وقت آن است که این موضوع را واقعاً اجرا کنیم.
در Intellimage یک پروژه Computer Vision را از صفر تا یک سیستم قابل استفاده جلو می‌بریم.
• پروژه چیست؟
ساخت یک Real-Time Traffic Vision System
سیستمی که بتواند در تصاویر و ویدئوها:
. خودروها
. اتوبوس‌ها
. کامیون‌ها
را شناسایی کند.
اما هدف ما فقط آموزش یک مدل Object Detection نیست.
می‌خواهیم مسیر کامل را طی کنیم:
Data → Model → API → Application → Deployment
باماهمراه باشید 🍁
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤1🔥1👏1😍1
پردازش تصویر هوشمندIntellimage
🆕️از مدل تا محصول واقعی PROJECT 01 ✍ در پست قبلی گفتیم: فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد. حالا وقت آن است که این موضوع را واقعاً اجرا کنیم. در Intellimage یک پروژه Computer Vision را از صفر تا یک سیستم قابل استفاده جلو می‌بریم. • پروژه…
✍ در ادامه پروژه Real-Time Traffic Vision System، می‌خواهیم ببینیم یک مدل چگونه از مرحله آموزش به یک سیستم قابل استفاده تبدیل می‌شود.
در Pipeline این پروژه:
Problem Definition → Data → Annotation → Training → Evaluation → API → Application → Deployment → Monitoring
۱.بخش Problem Definition
تعریف دقیق مسئله، ورودی، خروجی، محدودیت‌های سرعت و سخت‌افزار.
۲.بخش Data
جمع‌آوری داده‌های متنوع و نماینده شرایط واقعی؛ شامل نور، زاویه دوربین، تراکم ترافیک و کیفیت تصویر.
۳.بخش Annotation & Preprocessing
تعیین Bounding Box و Class برای هر Object و بررسی کیفیت Labelها، تصاویر و Data Leakage.
۴.بخش Model Training
آموزش مدل Object Detection مانند YOLO و تنظیم Hyperparameterهایی مانند Learning Rate، Batch Size و Image Size.
۵.بخش Evaluation & Error Analysis
بررسی معیارهایی مانند:
Precision | Recall | IoU | mAP | FPS
و مهم‌تر از آن، شناسایی شرایطی که مدل در آن‌ها دچار خطا می‌شود؛ مانند Small Objects، Occlusion، Low-Light و Motion Blur.
۶.بخش Model Serving
تبدیل مدل به یک سرویس قابل استفاده:
Client → FastAPI → Model → Prediction
۷.بخش Application
اتصال مدل به یک رابط کاربری برای دریافت Image، Video یا Camera Stream و نمایش نتایج.
۸.بخش Deployment
استقرار سیستم روی Server، Cloud یا Edge Device و بررسی مواردی مانند Latency، Memory و Resource Usage.
۹.بخش Monitoring & Improvement
پس از Deployment پروژه تمام نمی‌شود:
Real-World Data → Monitoring → Error Analysis → Retraining → Redeployment
در نهایت، یک پروژه واقعی Computer Visionیک چرخه کامل از داده تا سیستم قابل استفاده است.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
در Pipeline این پروژه:
Problem Definition → Data → Annotation → Training → Evaluation → API → Application → Deployment → Monitoring
۱.بخش Problem Definition
تعریف دقیق مسئله، ورودی، خروجی، محدودیت‌های سرعت و سخت‌افزار.
۲.بخش Data
جمع‌آوری داده‌های متنوع و نماینده شرایط واقعی؛ شامل نور، زاویه دوربین، تراکم ترافیک و کیفیت تصویر.
۳.بخش Annotation & Preprocessing
تعیین Bounding Box و Class برای هر Object و بررسی کیفیت Labelها، تصاویر و Data Leakage.
۴.بخش Model Training
آموزش مدل Object Detection مانند YOLO و تنظیم Hyperparameterهایی مانند Learning Rate، Batch Size و Image Size.
۵.بخش Evaluation & Error Analysis
بررسی معیارهایی مانند:
Precision | Recall | IoU | mAP | FPS
و مهم‌تر از آن، شناسایی شرایطی که مدل در آن‌ها دچار خطا می‌شود؛ مانند Small Objects، Occlusion، Low-Light و Motion Blur.
۶.بخش Model Serving
تبدیل مدل به یک سرویس قابل استفاده:
Client → FastAPI → Model → Prediction
۷.بخش Application
اتصال مدل به یک رابط کاربری برای دریافت Image، Video یا Camera Stream و نمایش نتایج.
۸.بخش Deployment
استقرار سیستم روی Server، Cloud یا Edge Device و بررسی مواردی مانند Latency، Memory و Resource Usage.
۹.بخش Monitoring & Improvement
پس از Deployment پروژه تمام نمی‌شود:
Real-World Data → Monitoring → Error Analysis → Retraining → Redeployment
در نهایت، یک پروژه واقعی Computer Visionیک چرخه کامل از داده تا سیستم قابل استفاده است.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤3👏1🤩1😍1
یک شات از "پروانه" در فضا
ان‌جی‌سی ۶۳۰۲ یا سحابی پروانه یا سحابی حشره یا کالدول ۶۹، نام یک سحابی سیاره‌نمای دوقطبی است که در صورت فلکی کژدم واقع شده‌است. ساختار این سحابی، یکی از پیچیده‌ترین ساختارهایی است که در سحابی‌های سیاره‌نما مشاهده شده است. طیف نوری سحابی پروانه، نشان می‌دهد که ستاره مرکزی آن یکی از داغ‌ترین ستاره‌ها در کهکشان است.
تصویر باشکوه سحابی پروانه که از یک ستاره در حال مرگ ایجاد شده توسط تلکسوپ فضایی هابل ثبت شده است.
بال‌های این سحابی که بیش از سه هزار سال نوری هستند لایه‌هایی از گاز از یک ستاره‌ی در حال مرگ واقع در مرکز این سحابی را به سمت بیرون پرتاب می‌کنند.
ستاره مرکزی در حال مرگ این سحابی به طرز باورنکردنی بسیار داغ است و نور فرابنفش نیز به زیبایی بر قسمت بالایی بال‌های پروانه می‌درخشد و همین امر نیز باعث درخشش لایه‌هایی از گاز شده است.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
ان‌جی‌سی ۶۳۰۲ یا سحابی پروانه یا سحابی حشره یا کالدول ۶۹، نام یک سحابی سیاره‌نمای دوقطبی است که در صورت فلکی کژدم واقع شده‌است. ساختار این سحابی، یکی از پیچیده‌ترین ساختارهایی است که در سحابی‌های سیاره‌نما مشاهده شده است. طیف نوری سحابی پروانه، نشان می‌دهد که ستاره مرکزی آن یکی از داغ‌ترین ستاره‌ها در کهکشان است.
تصویر باشکوه سحابی پروانه که از یک ستاره در حال مرگ ایجاد شده توسط تلکسوپ فضایی هابل ثبت شده است.
بال‌های این سحابی که بیش از سه هزار سال نوری هستند لایه‌هایی از گاز از یک ستاره‌ی در حال مرگ واقع در مرکز این سحابی را به سمت بیرون پرتاب می‌کنند.
ستاره مرکزی در حال مرگ این سحابی به طرز باورنکردنی بسیار داغ است و نور فرابنفش نیز به زیبایی بر قسمت بالایی بال‌های پروانه می‌درخشد و همین امر نیز باعث درخشش لایه‌هایی از گاز شده است.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤3👏1😍1
🆕️ تازه های دنیای پژوهش
📝 عنوان مقاله :
R3PM-Net: Real-time, Robust, Real-world Point Matching Network
فناوری R3PM-Net: ثبت ابرنقطه‌ای بلادرنگ، مقاوم و آماده برای دنیای واقعی
ثبت ابرنقطه (Point Cloud Registration) یکی از گام‌های کلیدی در پردازش داده‌های سه‌بعدی است؛ یعنی تخمین یک تبدیل صلب بین دو ابرنقطه. روش‌های یادگیری عمیق توانسته‌اند محدودیت‌های روش‌های سنتی مثل حساسیت به نویز، داده‌های پرت، انسداد و مقداردهی اولیه را تا حد زیادی بهبود دهند، اما اغلب روی دیتاست‌های تمیز، متراکم و مصنوعی آموزش دیده و ارزیابی می‌شوند. همین موضوع، تعمیم‌پذیری آن‌ها را در سناریوهای واقعی و صنعتی محدود می‌کند.
مقاله R3PM-Net یک شبکه تطبیق نقطه‌ای در سطح شیء، سبک‌وزن و آگاه به ساختار سراسری معرفی می‌کند که هدفش پر کردن شکاف بین محیط‌های مصنوعی و دنیای واقعی، با تمرکز همزمان روی تعمیم‌پذیری و کارایی بلادرنگ است.
برای پشتیبانی از این هدف، دو دیتاست جدید نیز معرفی شده‌اند:
• Sioux-Cranfield
• Sioux-Scans
این دیتاست‌ها بستری برای ارزیابی ثبت اسکن‌های ناقص فتوگرامتری و دوربین رویدادی روی مدل‌های CAD دیجیتال فراهم می‌کنند و به‌صورت عمومی منتشر شده‌اند.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
#article
📝 عنوان مقاله :
R3PM-Net: Real-time, Robust, Real-world Point Matching Network
فناوری R3PM-Net: ثبت ابرنقطه‌ای بلادرنگ، مقاوم و آماده برای دنیای واقعی
ثبت ابرنقطه (Point Cloud Registration) یکی از گام‌های کلیدی در پردازش داده‌های سه‌بعدی است؛ یعنی تخمین یک تبدیل صلب بین دو ابرنقطه. روش‌های یادگیری عمیق توانسته‌اند محدودیت‌های روش‌های سنتی مثل حساسیت به نویز، داده‌های پرت، انسداد و مقداردهی اولیه را تا حد زیادی بهبود دهند، اما اغلب روی دیتاست‌های تمیز، متراکم و مصنوعی آموزش دیده و ارزیابی می‌شوند. همین موضوع، تعمیم‌پذیری آن‌ها را در سناریوهای واقعی و صنعتی محدود می‌کند.
مقاله R3PM-Net یک شبکه تطبیق نقطه‌ای در سطح شیء، سبک‌وزن و آگاه به ساختار سراسری معرفی می‌کند که هدفش پر کردن شکاف بین محیط‌های مصنوعی و دنیای واقعی، با تمرکز همزمان روی تعمیم‌پذیری و کارایی بلادرنگ است.
برای پشتیبانی از این هدف، دو دیتاست جدید نیز معرفی شده‌اند:
• Sioux-Cranfield
• Sioux-Scans
این دیتاست‌ها بستری برای ارزیابی ثبت اسکن‌های ناقص فتوگرامتری و دوربین رویدادی روی مدل‌های CAD دیجیتال فراهم می‌کنند و به‌صورت عمومی منتشر شده‌اند.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
#article
❤2🤩1😍1
پردازش تصویر هوشمندIntellimage
🆕️ تازه های دنیای پژوهش 📝 عنوان مقاله : R3PM-Net: Real-time, Robust, Real-world Point Matching Network فناوری R3PM-Net: ثبت ابرنقطه‌ای بلادرنگ، مقاوم و آماده برای دنیای واقعی ثبت ابرنقطه (Point Cloud Registration) یکی از گام‌های کلیدی در پردازش داده‌های…
arXiv.org
R3PM-Net: Real-time, Robust, Real-world Point Matching Network
Accurate Point Cloud Registration (PCR) is an important task in 3D data processing, involving the estimation of a rigid transformation between two point clouds. While deep-learning methods have...
👏2🤩1
Forwarded from خیرینه
🔴 کمک فوری برای نجات جان یاسمن ۱۰ ساله
📌 یاسمن، مبتلا به بیماری کبد بدنش پر از زخم‌هایی شده که خونریزی‌شان بند نمی‌آید. او در لیست انتظار پیوند است؛ هزینه‌های عمل و مراقبت‌های قبل و بعد از عمل، ۴۰۰ میلیون تومان می‌شود. تأمین این رقم از توان خانواده خارج است. بیایید با هر مبلغی که در توان داریم، مرهمی بر زخم‌هایش باشیم 🌱
👈 حساب رسمی مرکز نیکوکاری خیرینه:
💳
💳
👈 مشارکت از طریق درگاه سایت:
🔗 https://kheyrine.ir/product/38662
(خیرینه کلیه مبالغ جمع شده را مطابق شرایط
مندرج در بیوی کانال زیر هزینه خواهد کرد.)
📲 @kheyrine_ir
📌 یاسمن، مبتلا به بیماری کبد بدنش پر از زخم‌هایی شده که خونریزی‌شان بند نمی‌آید. او در لیست انتظار پیوند است؛ هزینه‌های عمل و مراقبت‌های قبل و بعد از عمل، ۴۰۰ میلیون تومان می‌شود. تأمین این رقم از توان خانواده خارج است. بیایید با هر مبلغی که در توان داریم، مرهمی بر زخم‌هایش باشیم 🌱
👈 حساب رسمی مرکز نیکوکاری خیرینه:
💳
6037997950416207💳
6037997950394024👈 مشارکت از طریق درگاه سایت:
🔗 https://kheyrine.ir/product/38662
(خیرینه کلیه مبالغ جمع شده را مطابق شرایط
مندرج در بیوی کانال زیر هزینه خواهد کرد.)
📲 @kheyrine_ir
👏2❤1
🆕️ این بار Positron ؛ یک IDE برای تمام مسیر تحلیل داده
اگر برای هر بخش از کار دیتاساینس مجبورید بین Jupyter، VS Code و RStudio جابه‌جا شوید، Positron دقیقاً برای همین نقطه‌ی درد ساخته شده. یک محیط توسعه از تیم Posit که R و Python را در یک تجربه‌ی یکپارچه کنار هم می‌آورد.
چرا Positron؟
•ویژگی Data Explorer: دیتافریم‌های Pandas، Polars و R را بدون نوشتن کد اضافه ببینید، فیلتر و مرتب کنید و خلاصه‌ی آماری بگیرید.
• پنل‌های یکپارچه: Variables، Plot و Connections دیتابیس داخل خود IDE قرار دارند؛ یعنی اکتشاف داده، اجرای کد و بررسی نتیجه در یک جریان انجام می‌شود.
• پشتیبانی گسترده: Jupyter Notebook، Quarto، Shiny، Streamlit و FastAPI را پوشش می‌دهد.
• دستیار هوشمند: فقط به فایل کد نگاه نمی‌کند؛ به وضعیت واقعی نشست، متغیرها، دیتافریم‌ها و کنسول هم دسترسی دارد.
• مبتنی بر Code OSS: از اکستنشن‌های VS Code پشتیبانی می‌کند و همین باعث می‌شود اکوسیستم آشنایی در اختیار داشته باشید.
• معماری ایزوله مفسر: خطای بحرانی در کد، کل IDE را از کار نمی‌اندازد و می‌توانید بدون راه‌اندازی مجدد، نسخه یا مفسر را تغییر دهید.
اگر برای هر بخش از کار دیتاساینس مجبورید بین Jupyter، VS Code و RStudio جابه‌جا شوید، Positron دقیقاً برای همین نقطه‌ی درد ساخته شده. یک محیط توسعه از تیم Posit که R و Python را در یک تجربه‌ی یکپارچه کنار هم می‌آورد.
چرا Positron؟
•ویژگی Data Explorer: دیتافریم‌های Pandas، Polars و R را بدون نوشتن کد اضافه ببینید، فیلتر و مرتب کنید و خلاصه‌ی آماری بگیرید.
• پنل‌های یکپارچه: Variables، Plot و Connections دیتابیس داخل خود IDE قرار دارند؛ یعنی اکتشاف داده، اجرای کد و بررسی نتیجه در یک جریان انجام می‌شود.
• پشتیبانی گسترده: Jupyter Notebook، Quarto، Shiny، Streamlit و FastAPI را پوشش می‌دهد.
• دستیار هوشمند: فقط به فایل کد نگاه نمی‌کند؛ به وضعیت واقعی نشست، متغیرها، دیتافریم‌ها و کنسول هم دسترسی دارد.
• مبتنی بر Code OSS: از اکستنشن‌های VS Code پشتیبانی می‌کند و همین باعث می‌شود اکوسیستم آشنایی در اختیار داشته باشید.
• معماری ایزوله مفسر: خطای بحرانی در کد، کل IDE را از کار نمی‌اندازد و می‌توانید بدون راه‌اندازی مجدد، نسخه یا مفسر را تغییر دهید.
👏2❤1
پردازش تصویر هوشمندIntellimage
🆕️ این بار Positron ؛ یک IDE برای تمام مسیر تحلیل داده اگر برای هر بخش از کار دیتاساینس مجبورید بین Jupyter، VS Code و RStudio جابه‌جا شوید، Positron دقیقاً برای همین نقطه‌ی درد ساخته شده. یک محیط توسعه از تیم Posit که R و Python را در یک تجربه‌ی یکپارچه…
اضافه کنیم که Positron یک ادیتور عمومی نیست که بعداً قابلیت‌های داده به آن اضافه شده باشد؛ از ابتدا با فرض «کار با داده» طراحی شده است. اگر ورک‌فلوی فعلی‌تان پر از جابه‌جایی بین ابزارهاست، این می‌تواند یک جایگزین جدی باشد.
+ رایگان برای استفاده شخصی، دانشگاهی و تجاری با لایسنس Elastic License 2.0؛ فقط میزبانی به‌عنوان سرویس برای اشخاص ثالث محدود شده است.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
+ رایگان برای استفاده شخصی، دانشگاهی و تجاری با لایسنس Elastic License 2.0؛ فقط میزبانی به‌عنوان سرویس برای اشخاص ثالث محدود شده است.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤2🔥1🤩1😍1
خیرینه
🔴 کمک فوری برای نجات جان یاسمن ۱۰ ساله 📌 یاسمن، مبتلا به بیماری کبد بدنش پر از زخم‌هایی شده که خونریزی‌شان بند نمی‌آید. او در لیست انتظار پیوند است؛ هزینه‌های عمل و مراقبت‌های قبل و بعد از عمل، ۴۰۰ میلیون تومان می‌شود. تأمین این رقم از توان خانواده خارج…
#گزارش_مهربانی
با سلام و احترام
به لطف خدا و با همراهی شما عزیزان هزینه مورد نیاز تأمین شد.
مهرتان مانا ❤✨
با سلام و احترام
به لطف خدا و با همراهی شما عزیزان هزینه مورد نیاز تأمین شد.
مهرتان مانا ❤✨
❤4
#تازه های دنیای پژوهش
📝 پورت‌های تروکار: مانعی کوچک، اما دردسری بزرگ برای الگوریتم‌های بینایی!
پورت‌های تروکار، یعنی درگاه‌هایی که ابزار جراحی از آن‌ها وارد بدن می‌شود، ساختارهایی تقریباً ثابت نسبت به دوربین هستند. این پورت‌ها ممکن است بخشی از نمای لاپاراسکوپی را بپوشانند و به‌دلیل سطح براق و بافت‌دارشان، تعداد زیادی نقطهٔ ویژگی ایجاد کنند.
این مسئله برای روش‌های مبتنی بر هندسه، مثل دوخت تصاویر، بازسازی سه‌بعدی و SLAM بصری دردسرساز است؛ چون نقاط پرتِ ناشی از اجسام متحرک یا غیرآناتومیک می‌توانند هم‌ترازی تصاویر و پایداری ردیابی را مختل کنند.
با وجود اهمیت این موضوع، برچسب‌گذاری صریح پورت‌ها در مجموعه‌داده‌های عمومی جراحی نادر است. افزون بر این، بعضی برچسب‌های موجود از نظر هندسی سازگار نیستند: دهانهٔ مرکزی پورت را هم ماسک می‌کنند، حتی وقتی بخش‌های آناتومیک از میان آن قابل‌مشاهده‌اند.
در این پژوهش، مجموعه‌دادهٔ Cholec80-port معرفی شده است؛ مجموعه‌ای باکیفیت برای قطعه‌بندی پورت‌های تروکار که از Cholec80 تهیه شده. نویسندگان همچنین یک دستورالعمل استاندارد (SOP) ارائه کرده‌اند که مشخص می‌کند ماسک باید بدنهٔ پورت را پوشش دهد، اما دهانهٔ مرکزی را در بر نگیرد. داده‌های عمومی موجود نیز بر اساس همین دستورالعمل پاک‌سازی و یکپارچه شده‌اند.
نتایج آزمایش‌ها نشان می‌دهد که برچسب‌گذاریِ سازگار با هندسه می‌تواند پایداری مدل را هنگام ارزیابی روی مجموعه‌داده‌های مختلف بهبود دهد؛ مزیتی که صرفاً با افزایش اندازهٔ مجموعه‌داده به دست نمی‌آید.
لینک دسترسی به مقاله : https://arxiv.org/abs/2602.17060
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
#article
📝 پورت‌های تروکار: مانعی کوچک، اما دردسری بزرگ برای الگوریتم‌های بینایی!
پورت‌های تروکار، یعنی درگاه‌هایی که ابزار جراحی از آن‌ها وارد بدن می‌شود، ساختارهایی تقریباً ثابت نسبت به دوربین هستند. این پورت‌ها ممکن است بخشی از نمای لاپاراسکوپی را بپوشانند و به‌دلیل سطح براق و بافت‌دارشان، تعداد زیادی نقطهٔ ویژگی ایجاد کنند.
این مسئله برای روش‌های مبتنی بر هندسه، مثل دوخت تصاویر، بازسازی سه‌بعدی و SLAM بصری دردسرساز است؛ چون نقاط پرتِ ناشی از اجسام متحرک یا غیرآناتومیک می‌توانند هم‌ترازی تصاویر و پایداری ردیابی را مختل کنند.
با وجود اهمیت این موضوع، برچسب‌گذاری صریح پورت‌ها در مجموعه‌داده‌های عمومی جراحی نادر است. افزون بر این، بعضی برچسب‌های موجود از نظر هندسی سازگار نیستند: دهانهٔ مرکزی پورت را هم ماسک می‌کنند، حتی وقتی بخش‌های آناتومیک از میان آن قابل‌مشاهده‌اند.
در این پژوهش، مجموعه‌دادهٔ Cholec80-port معرفی شده است؛ مجموعه‌ای باکیفیت برای قطعه‌بندی پورت‌های تروکار که از Cholec80 تهیه شده. نویسندگان همچنین یک دستورالعمل استاندارد (SOP) ارائه کرده‌اند که مشخص می‌کند ماسک باید بدنهٔ پورت را پوشش دهد، اما دهانهٔ مرکزی را در بر نگیرد. داده‌های عمومی موجود نیز بر اساس همین دستورالعمل پاک‌سازی و یکپارچه شده‌اند.
نتایج آزمایش‌ها نشان می‌دهد که برچسب‌گذاریِ سازگار با هندسه می‌تواند پایداری مدل را هنگام ارزیابی روی مجموعه‌داده‌های مختلف بهبود دهد؛ مزیتی که صرفاً با افزایش اندازهٔ مجموعه‌داده به دست نمی‌آید.
لینک دسترسی به مقاله : https://arxiv.org/abs/2602.17060
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
#article
arXiv.org
Cholec80-port: A Geometrically Consistent Trocar Port Segmentation...
Trocar ports are camera-fixed, pseudo-static structures that can persistently occlude laparoscopic views and attract disproportionate feature points due to specular, textured surfaces. This makes...
❤1🔥1🤩1😍1
پردازش تصویر هوشمندIntellimage
#تازه های دنیای پژوهش 📝 پورت‌های تروکار: مانعی کوچک، اما دردسری بزرگ برای الگوریتم‌های بینایی! پورت‌های تروکار، یعنی درگاه‌هایی که ابزار جراحی از آن‌ها وارد بدن می‌شود، ساختارهایی تقریباً ثابت نسبت به دوربین هستند. این پورت‌ها ممکن است بخشی از نمای لاپاراسکوپی…
✍ در رابطه با پست قبل از منظر کارشناسی بخواهیم بررسی کنیم ؛ ارزش اصلی Cholec80-port تنها در افزودن یک مجموعه‌دادهٔ جدید نیست، بلکه در رسمی‌سازی یک قرارداد برچسب‌گذاری هندسی-بالینی است. تفکیک بدنهٔ پورت از دهانهٔ مرکزی، یک تصمیم کلیدی در طراحی ماسک معنایی است. دهانهٔ مرکزی ممکن است بافت آناتومیک معتبر و متحرک را نمایان کند؛ بنابراین ماسک کردن آن هم اطلاعات مفید صحنه را حذف می‌کند و هم ارزیابی مدل‌های قطعه‌بندی و SLAM را مخدوش می‌سازد.
در روش‌های مبتنی بر ویژگی، پورت تروکار یک تولیدکنندهٔ نقاط پرت شبه‌ثابت است. اگر این ناحیه به‌درستی ماسک نشود، تخمین وضعیت و ساختار میدان دید تحت تأثیر بازتاب‌های براق و بافت غیرآناتومیک قرار می‌گیرد. اما ماسک بیش از حد تهاجمی نیز می‌تواند نقاط آناتومیک قابل استفاده را حذف کند. SOP پیشنهادی، تعادل منطقی میان این دو حالت است.
با این حال، برای کاربردهای واقعی همچنان چالش‌هایی باقی است: تنوع بین مراکز جراحی، نوع دوربین و نورپردازی، دود، خون و بازتاب‌های متغیر. پیشنهاد می‌شود در ادامه، تأثیر این SOP نه فقط با معیارهای قطعه‌بندی مانند IoU و Dice، بلکه با معیارهای هندسی مانند خطای بازپروژکسیون، رانش مسیر و پایداری ردیابی در SLAM بصری ارزیابی شود. همچنین بررسی سازگاری زمانی ماسک‌ها و ارزیابی عدم قطعیت مدل می‌تواند گام بعدی باشد.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
#article
در روش‌های مبتنی بر ویژگی، پورت تروکار یک تولیدکنندهٔ نقاط پرت شبه‌ثابت است. اگر این ناحیه به‌درستی ماسک نشود، تخمین وضعیت و ساختار میدان دید تحت تأثیر بازتاب‌های براق و بافت غیرآناتومیک قرار می‌گیرد. اما ماسک بیش از حد تهاجمی نیز می‌تواند نقاط آناتومیک قابل استفاده را حذف کند. SOP پیشنهادی، تعادل منطقی میان این دو حالت است.
با این حال، برای کاربردهای واقعی همچنان چالش‌هایی باقی است: تنوع بین مراکز جراحی، نوع دوربین و نورپردازی، دود، خون و بازتاب‌های متغیر. پیشنهاد می‌شود در ادامه، تأثیر این SOP نه فقط با معیارهای قطعه‌بندی مانند IoU و Dice، بلکه با معیارهای هندسی مانند خطای بازپروژکسیون، رانش مسیر و پایداری ردیابی در SLAM بصری ارزیابی شود. همچنین بررسی سازگاری زمانی ماسک‌ها و ارزیابی عدم قطعیت مدل می‌تواند گام بعدی باشد.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
#article
❤3🤩1😍1
Forwarded from آکادمی مِدتَلنت
دانشجویان و فارغ‌التحصیلان رشته‌های علوم پزشکی در تمامی مقاطع و تمامی علاقه‌مندان
کسب اطلاعات بیشتر و ثبت‌نام گروهی:
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2🔥1🤩1
🩻🩺 تصویر MRI #کیس_شماره۶
🎯بررسی ضایعات هایپراینتنس ماده سفید توالی FLAIR در تحلیل تصویر MRI مولتیپل اسکلروزیس (MS)
مولتیپل اسکلروزیس (Multiple Sclerosis) یک بیماری التهابی مزمن با واسطه سیستم ایمنی در دستگاه عصبی مرکزی است که با آسیب میلین و ایجاد ضایعات دمیلینه‌کننده در مغز و نخاع همراه است.
در تصویربرداری MRI، این ضایعات اغلب در توالی T2 و FLAIR به‌صورت نواحی با افزایش شدت سیگنال (Hyperintense Lesions) مشاهده می‌شوند. ضایعات اطراف بطن‌های مغزی، ماده سفید عمقی و نواحی مجاور قشر مغز از محل‌های قابل بررسی هستند.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
🎯بررسی ضایعات هایپراینتنس ماده سفید توالی FLAIR در تحلیل تصویر MRI مولتیپل اسکلروزیس (MS)
مولتیپل اسکلروزیس (Multiple Sclerosis) یک بیماری التهابی مزمن با واسطه سیستم ایمنی در دستگاه عصبی مرکزی است که با آسیب میلین و ایجاد ضایعات دمیلینه‌کننده در مغز و نخاع همراه است.
در تصویربرداری MRI، این ضایعات اغلب در توالی T2 و FLAIR به‌صورت نواحی با افزایش شدت سیگنال (Hyperintense Lesions) مشاهده می‌شوند. ضایعات اطراف بطن‌های مغزی، ماده سفید عمقی و نواحی مجاور قشر مغز از محل‌های قابل بررسی هستند.
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤1👏1🤩1😍1
پردازش تصویر هوشمندIntellimage
🩻🩺 تصویر MRI #کیس_شماره۶ 🎯بررسی ضایعات هایپراینتنس ماده سفید توالی FLAIR در تحلیل تصویر MRI مولتیپل اسکلروزیس (MS) مولتیپل اسکلروزیس (Multiple Sclerosis) یک بیماری التهابی مزمن با واسطه سیستم ایمنی در دستگاه عصبی مرکزی است که با آسیب میلین و ایجاد ضایعات…
چالش موجود در #کیس_شماره۶ از دید پردازش تصویر پزشکی
شناسایی ضایعات صرفاً بر اساس شدت روشنایی پیکسل‌ها امکان‌پذیر نیست؛ زیرا برخی ساختارهای طبیعی و تغییرات غیر اختصاصی نیز می‌توانند ظاهری مشابه داشته باشند.
از این رو، تفکیک ضایعات، تعیین مرز آن‌ها و کاهش مثبت‌های کاذب از مسائل مهم در توسعه الگوریتم‌های تحلیل خودکار MRI هستند.
پرسش اینه که چگونه می‌توان با استفاده از پردازش تصویر و یادگیری عمیق، ضایعات مشکوک به MS را با دقت مناسب بخش‌بندی کرد و آن‌ها را از تغییرات تصویری مشابه متمایز ساخت؟
باماهمراه باشید🍁
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
شناسایی ضایعات صرفاً بر اساس شدت روشنایی پیکسل‌ها امکان‌پذیر نیست؛ زیرا برخی ساختارهای طبیعی و تغییرات غیر اختصاصی نیز می‌توانند ظاهری مشابه داشته باشند.
از این رو، تفکیک ضایعات، تعیین مرز آن‌ها و کاهش مثبت‌های کاذب از مسائل مهم در توسعه الگوریتم‌های تحلیل خودکار MRI هستند.
پرسش اینه که چگونه می‌توان با استفاده از پردازش تصویر و یادگیری عمیق، ضایعات مشکوک به MS را با دقت مناسب بخش‌بندی کرد و آن‌ها را از تغییرات تصویری مشابه متمایز ساخت؟
باماهمراه باشید🍁
🆔️ telegram channel:
https://t.iss.one/Intellimage
https://eitaa.com/intellimage
❤2👏1🤩1