Abhishek-Mallick / Abhishek-Mallick/universal-box

[TEMPLATE] – Image Recognition Using CNNs - DataScience

Ouverte
#94 2 commentaires 0 réactions 0 personnes assignées Voir sur GitHub
good first issue hacktoberfest
Langage dominant
JavaScript
Étoiles
47
Forks
41
Métriques de merge des PR
Aucune PR mergée en 30 j

Description

### What domain will the project template be based on?

Data Science

### If 'Others', please specify the preferred domain.

_No response_

### Particular directory path for the template.

`templates/Data Science/Classifications/ImageRecognitionCNN`

### What tech stacks do you want to include?

Python, TensorFlow, Keras

### Brief Description

A project template that uses Convolutional Neural Networks (CNNs) to classify images into categories.

Reference(implementation like) : [teachablemachine](https://teachablemachine.withgoogle.com/)

**Note :** A Jupyter notebook in form of a collab notebook should be linked in the README.md, and a user-friendly UI should be built using Flask or Streamlit.

### 👀 Have you spent some time checking if this issue has been raised before?

- [X] Yes
- [ ] No

### 🏢 Have you read the Code of Conduct?

- [X] I have read the [Code of Conduct](https://github.com/Abhishek-Mallick/universal-box/blob/main/.github/CODE_OF_CONDUCT.md)

### Would you like to work on this issue?

No

Guide de contribution

Ouvrir le guide de contribution

Piste de recherche

Créez un modèle de projet dans templates/Data Science/Classifications/ImageRecognitionCNN. Incluez un modèle CNN pour la classification d’images utilisant TensorFlow/Keras. Fournissez un notebook Jupyter (lié dans README) et créez une UI conviviale avec Flask ou Streamlit. Référez-vous à TeachableMachine pour trouver des idées d’implémentation. Assurez-vous que le modèle est structuré pour un déploiement en un clic via Universal-Box.

Rédigé par le modèle d'indexation à partir du texte de l'issue.

Évaluation

Stack technique
flask, jupyter, jupyter-notebook, keras, python, streamlit, tensorflow
Domaine
ai, data, machine-learning, web-dev
Type d'issue
Fonctionnalité
Difficulté
4/5
Temps estimé
3-5 jours
Activité
À l'abandon
Clarté
Plutôt claire
Accessibilité débutants
45/100

Recevez les nouvelles issues par e-mail

Un résumé court des issues GitHub adaptées aux débutants.