آموزش [جدید] ۲۰۲۵: تسلط بر بینایی کامپیوتر با هوش مصنوعی مولد (GenAI): ۱۲ پروژه - آخرین آپدیت

دانلود [NEW] 2025:Mastering Computer Vision With GenAI :12 Projects

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش جامع یادگیری عمیق (Deep Learning) با TensorFlow و Keras

به دنیای یادگیری عمیق خوش آمدید! این دوره آموزشی برای تجهیز شما با دانش و مهارت‌های لازم برای پیشرفت در این حوزه جذاب طراحی شده است. فرقی نمی‌کند که یک متخصص یادگیری ماشین باشید که به دنبال ارتقاء مهارت‌های خود هستید یا یک مبتدی کامل که مشتاق کشف پتانسیل یادگیری عمیق است، این دوره نیازهای شما را برآورده می‌کند.

آنچه در این دوره خواهید آموخت:

  • تسلط بر اصول اولیه یادگیری عمیق، از جمله کتابخانه‌های TensorFlow و Keras.
  • ایجاد درک قوی از الگوریتم‌های اصلی یادگیری عمیق مانند شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های تولید کننده تخاصمی (GAN).
  • کسب تجربه عملی از طریق پروژه‌های عملی که وظایفی مانند دسته‌بندی تصویر، تشخیص اشیا و توصیف تصویر را پوشش می‌دهند.
  • بررسی موضوعات پیشرفته مانند یادگیری انتقالی، افزایش داده و مدل‌های پیشرفته مانند YOLOv8 و Stable Diffusion.

برنامه درسی دوره:

برنامه درسی دوره به دقت ساختار یافته است تا یک تجربه یادگیری جامع را ارائه دهد:

بخش 1: مقدمه و مبانی بینایی ماشین (Computer Vision)

ارائه یک مبنا در مفاهیم بینایی ماشین، مبانی پردازش تصویر و فضاهای رنگ.

بخش 2: شبکه‌های عصبی - ورود به دنیای یادگیری عمیق

معرفی مفهوم شبکه‌های عصبی، اصول کار آنها و کاربرد آنها در مسائل یادگیری عمیق.

بخش 3: TensorFlow و Keras

بررسی فریمورک‌های محبوب یادگیری عمیق، TensorFlow و Keras، توضیح عملکردها و استفاده از API آنها.

بخش 4: دسته‌بندی تصویر (Image Classification)

توضیح شبکه‌های عصبی کانولوشن (CNN)، که اسب کار برای وظایف دسته‌بندی تصویر هستند، با یک پروژه عملی برای تقویت درک شما.

بخش 5: لایه‌های پیش پردازش Keras و یادگیری انتقالی (Transfer Learning)

نحوه استفاده از لایه‌های پیش پردازش Keras برای افزایش داده و بررسی قدرت یادگیری انتقالی برای توسعه سریع‌تر مدل را نشان می‌دهد.

بخش 6: مقدمه RNN, LSTM و GRU

ارائه مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)، شبکه‌های حافظه کوتاه مدت بلند (LSTM) و واحدهای بازگشتی گیت‌دار (GRU) برای مدیریت داده‌های ترتیبی.

بخش 7: پروژه‌ی GANs & Image Captioning

معرفی شبکه‌های تولید کننده تخاصمی (GAN) و کاربردهای آنها، به دنبال آن یک پروژه در مورد توصیف تصویر که قابلیت‌های آنها را به نمایش می‌گذارد.

بخش 8: تشخیص اشیا (Object Detection)

پرداختن به تشخیص اشیا، پوشش رویکردهای مختلف مانند تشخیص دو مرحله‌ای، معماری‌های RCNN (Fast RCNN، Faster RCNN، Mask RCNN)، YOLO و SSD.

بخش 9: ابزارهای حاشیه‌نویسی تصویر (Image Annotation)

معرفی ابزارهای مورد استفاده برای حاشیه‌نویسی تصویر، که برای ایجاد مجموعه‌داده‌های برچسب‌گذاری شده برای وظایف تشخیص اشیا بسیار مهم است.

بخش 10: مدل‌های YOLO برای تشخیص اشیا، طبقه‌بندی، بخش‌بندی، تشخیص حالت

کاوش عمیق در مدل‌های YOLO، از جمله YOLOv5، YOLOv8 و قابلیت‌های آنها در تشخیص اشیا، طبقه‌بندی، بخش‌بندی و تشخیص حالت. این بخش شامل یک پروژه در مورد تشخیص اشیا با استفاده از YOLOv5 است.

بخش 11: بخش‌بندی با استفاده از FAST-SAM

معرفی FAST-SAM (مدل بخش‌بندی هر چیزی) برای وظایف بخش‌بندی معنایی.

بخش 12: پروژه ردیابی و شمارش اشیا

فرصتی برای کار بر روی پروژه‌ای که شامل ردیابی و شمارش اشیا با استفاده از YOLOv8 است.

بخش 13: پروژه تشخیص عملکرد انسان

شما را در یک پروژه در مورد تشخیص عملکرد انسان با استفاده از مدل‌های یادگیری عمیق راهنمایی می‌کند.

بخش 14: مدل‌های تجزیه و تحلیل تصویر

بررسی مختصر مدل‌های از پیش آموزش‌دیده برای وظایف تجزیه و تحلیل تصویر مانند YOLO-WORLD و Moondream.

بخش 15: تشخیص چهره و شناسایی (تجزیه و تحلیل سن، جنسیت، حالت)

معرفی تکنیک‌های تشخیص چهره و شناسایی، از جمله کتابخانه DeepFace برای تجزیه و تحلیل سن، جنسیت و حالت از تصاویر.

بخش 16: تولید دیپ‌فیک (Deepfake)

ارائه مروری بر دیپ‌فیک و نحوه تولید آنها.

بخش 17: موضوع جایزه: هوش مصنوعی تولیدی - تولید تصویر از طریق درخواست - مدل‌های انتشار

معرفی دنیای هیجان‌انگیز هوش مصنوعی تولیدی با تمرکز بر مدل‌های Stable Diffusion، از جمله CLIP، U-Net و ابزارها و منابع مرتبط.

چه چیزی این دوره را متمایز می‌کند:

  • برنامه درسی به‌روز: این دوره آخرین پیشرفت‌ها در یادگیری عمیق، از جمله YOLOv8، Stable Diffusion و Fast-SAM را در خود جای داده است.
  • پروژه‌های عملی: یادگیری خود را از طریق پروژه‌های عملی به کار ببرید و درک عمیق‌تری از کاربردهای دنیای واقعی ایجاد کنید.
  • توضیحات واضح: مفاهیم پیچیده به ماژول‌های آسان برای درک با توضیحات و مثال‌های دقیق تقسیم می‌شوند.
  • مسیر یادگیری ساختاریافته: برنامه درسی سازمان‌دهی‌شده، تجربه یادگیری آسانی را تضمین می‌کند.

پیش‌نیازها:

آشنایی با مفاهیم اولیه یادگیری ماشین و زبان برنامه‌نویسی Python.

مهارت‌هایی که کسب خواهید کرد:

  • CNN (Convolutional Neural Network)
  • LSTM (Long Short-Term Memory)
  • GAN (Generative Adversarial Networks)
  • Transfer Learning (یادگیری انتقالی)
  • Data Augmentation/Annotation (افزایش/حاشیه‌نویسی داده)
  • Deepfake (دیپ‌فیک)
  • YOLO (You Only Look Once)
  • Face Recognition (تشخیص چهره)
  • Object Detection (تشخیص شیء)
  • Object Tracking (ردیابی شیء)
  • TensorFlow
  • Keras
  • Image Captioning (توصیف تصویر)
  • Semantic Segmentation (بخش‌بندی معنایی)
  • Instance Segmentation (بخش‌بندی نمونه)
  • Keypoint Detection (تشخیص نقاط کلیدی)
  • Pose Detection/Action Recognition (تشخیص حالت/شناسایی عمل)
  • Pattern Recognition (تشخیص الگو)
  • Machine Learning (یادگیری ماشین)
  • Feature Extraction (استخراج ویژگی)
  • Image Classification (دسته‌بندی تصویر)
  • Object Recognition (تشخیص شیء)

سرفصل ها و درس ها

Computer Vision Introduction & Basics

  • Course Introduction-معرفی دوره Course Introduction

  • Introduction to Computer Vision-معرفی بینایی کامپیوتر Introduction to Computer Vision

  • Past Present Future Trends-روند های گذشته، حال و آینده Past Present Future Trends

  • Applications-کاربردها Applications

  • Image Processing basics-مبانی پردازش تصویر Image Processing basics

  • Color Spaces-فضاهای رنگی Color Spaces

Neural Networks-Into the world of Deep Learning-شبکه های عصبی - ورود به دنیای یادگیری عمیق Neural Networks-Into the world of Deep Learning

  • Intuition Neural Networks-شهود شبکه های عصبی Intuition Neural Networks

  • Neural Networks-شبکه های عصبی Neural Networks

  • Approach to deep learning problems-رویکرد به مسائل یادگیری عمیق Approach to deep learning problems

  • Lifecycle of model 5 steps-چرخه حیات مدل در 5 مرحله Lifecycle of model 5 steps

Tensorflow and Keras-تنسورفلو و کراس Tensorflow and Keras

  • Sequential Vs Functional API-مقایسه API ترتیبی و تابعی Sequential Vs Functional API

  • Sequential API code-کد API ترتیبی Sequential API code

  • Functional API Code-کد API تابعی Functional API Code

  • ML problem Cost Gradient CV-مسئله یادگیری ماشین – گرادیان هزینه اعتبار سنجی متقابل (Cross Validation) ML problem Cost Gradient CV

  • Activation Functions-توابع فعال‌سازی Activation Functions

  • Sequential Vs Functional API-مقایسه API ترتیبی و تابعی Sequential Vs Functional API

  • Tips for Improving Model Performance-نکاتی برای بهبود عملکرد مدل Tips for Improving Model Performance

  • Feed Forward Network Implementation and Keras Callbacks-پیاده سازی شبکه پیش خور و Keras Callbacks Feed Forward Network Implementation and Keras Callbacks

  • Optimizers-بهینه‌سازها Optimizers

  • Loss functions-توابع زیان Loss functions

  • Performance Metrics-معیارهای ارزیابی عملکرد Performance Metrics

Image Classification Explained & Project-توضیح و پروژه طبقه بندی تصاویر Image Classification Explained & Project

  • CNN INTRO-معرفی CNN CNN INTRO

  • CNN_Implementation-پیاده سازی CNN CNN_Implementation

  • CNN Exercise -1 Problem-تمرین 1 CNN - مسئله CNN Exercise -1 Problem

  • CNN Exercise -1 Solution-تمرین 1 CNN - راه حل CNN Exercise -1 Solution

  • CNN Exercise -2 Problem-تمرین 2 CNN - مسئله CNN Exercise -2 Problem

  • CNN Exercise -2 Solution-تمرین 2 CNN - راه حل CNN Exercise -2 Solution

Keras Preprocessing Layers and Transfer Learning-لایه های پیش پردازش کراس و یادگیری انتقالی Keras Preprocessing Layers and Transfer Learning

  • Keras Preprocessing Layers Intro-معرفی لایه های پیش پردازش کراس Keras Preprocessing Layers Intro

  • Keras Preprocessing Layers Image Augmentation Code-کد توسعه داده تصویر با لایه های پیش پردازش کراس Keras Preprocessing Layers Image Augmentation Code

  • Keras Preprocessing Layers Exercise-3-تمرین 3 لایه های پیش پردازش کراس Keras Preprocessing Layers Exercise-3

  • Keras Preprocessing Layers Solution-3-راه حل 3 لایه های پیش پردازش کراس Keras Preprocessing Layers Solution-3

  • Transfer Learning Introduction-معرفی یادگیری انتقالی Transfer Learning Introduction

  • transfer learning code-کد یادگیری انتقالی transfer learning code

  • Transfer Learning Exercise 4 -XrayDataset-تمرین 4 یادگیری انتقالی - مجموعه داده اشعه ایکس Transfer Learning Exercise 4 -XrayDataset

  • Transfer learning Exercise-4 Solution-راه حل تمرین 4 یادگیری انتقالی Transfer learning Exercise-4 Solution

  • Practice Test-آزمون عملی Practice Test

RNN LSTM & GRU Introduction-معرفی RNN، LSTM و GRU RNN LSTM & GRU Introduction

  • LSTM GRU Introduction-معرفی LSTM و GRU LSTM GRU Introduction

GANS & image captioning Project-پروژه GAN و شرح تصویر GANS & image captioning Project

  • GANs Introduction-معرفی GAN ها GANs Introduction

  • GAN COMPONENTS-اجزای GAN GAN COMPONENTS

  • GANs Training-آموزش GAN ها GANs Training

  • GANs Applications Pros _ Cons-کاربردها، مزایا و معایب GAN ها GANs Applications Pros _ Cons

  • GAN Implementation-پیاده سازی GAN GAN Implementation

  • Project Image Captioning Problem-5-پروژه شرح تصویر - مسئله 5 Project Image Captioning Problem-5

  • Project image captioning solution Part- 1-راه حل پروژه شرح تصویر - بخش 1 Project image captioning solution Part- 1

  • Project image captioning solution Part- 2-راه حل پروژه شرح تصویر - بخش 2 Project image captioning solution Part- 2

  • Project Image captioning solution Part- 3-راه حل پروژه شرح تصویر - بخش 3 Project Image captioning solution Part- 3

Datasets Part 1 (Till this Point)-مجموعه داده ها قسمت 1 (تا این قسمت) Datasets Part 1 (Till this Point)

  • Cat Dog Images Datasets-مجموعه داده تصاویر گربه و سگ Cat Dog Images Datasets

  • Xray DataSet-مجموعه داده اشعه ایکس Xray DataSet

Object Detection Everything you should know-تشخیص اشیا: هر آنچه باید بدانید Object Detection Everything you should know

  • Object Detection Part start-شروع قسمت تشخیص اشیا Object Detection Part start

  • Semantic segmentation vs instance segmentation-تقسیم بندی معنایی در مقابل تقسیم بندی نمونه ای Semantic segmentation vs instance segmentation

  • Types of Segmentation-انواع تقسیم بندی Types of Segmentation

  • Two step object detection-تشخیص شی دو مرحله ای Two step object detection

  • RCNN Architecture-معماری RCNN RCNN Architecture

  • Fast RCNN-فست RCNN Fast RCNN

  • Faster RCNN-فستر RCNN Faster RCNN

  • Mask RCNN-ماسک RCNN Mask RCNN

  • Intro to YOLO-معرفی YOLO Intro to YOLO

  • SSD-SSD SSD

Image Annotation Tools-ابزارهای حاشیه نویسی تصویر Image Annotation Tools

  • Image Annotation Tools-ابزارهای حاشیه نویسی تصویر Image Annotation Tools

YOLO Models for Object Detection, classification, segmentation, Pose Detection-مدل های YOLO برای تشخیص اشیا، طبقه بندی، تقسیم بندی، تشخیص حالت YOLO Models for Object Detection, classification, segmentation, Pose Detection

  • YOLOV5 Hardhat & Vest object detection Project-6-پروژه 6 تشخیص کلاه سخت و جلیقه با YOLOV5 YOLOV5 Hardhat & Vest object detection Project-6

  • YOLOv8 intro-معرفی YOLOv8 YOLOv8 intro

  • YOLOv8 classification Project-7-پروژه 7 طبقه بندی با YOLOv8 YOLOv8 classification Project-7

  • Instance segmentation using YOLOV8-seg Project -8-پروژه 8 تقسیم بندی نمونه ای با استفاده از YOLOV8-seg Instance segmentation using YOLOV8-seg Project -8

  • Keypoint detection using YOLOV8-pose-تشخیص نقاط کلیدی با استفاده از YOLOV8-pose Keypoint detection using YOLOV8-pose

  • YOLO on videos-YOLO روی ویدیوها YOLO on videos

Segmentation using FAST-SAM-تقسیم بندی با استفاده از FAST-SAM Segmentation using FAST-SAM

  • Fast SAM (Segment Anything Model)-فست SAM (مدل تقسیم بندی هر چیزی) Fast SAM (Segment Anything Model)

Object Tracking & Counting Project-پروژه ردیابی و شمارش اشیا Object Tracking & Counting Project

  • YOLOV8 object Tracking-ردیابی اشیا با YOLOV8 YOLOV8 object Tracking

  • Object Tracking & Counting Project-9-پروژه 9 ردیابی و شمارش اشیا Object Tracking & Counting Project-9

Human Action Recognition Project-پروژه تشخیص عملکرد انسانی Human Action Recognition Project

  • Human Action Recognition Project 10-پروژه 10 تشخیص عملکرد انسانی Human Action Recognition Project 10

Image Analysis Models-مدل های تحلیل تصویر Image Analysis Models

  • YOLO-WORLD demo-نمایش YOLO-WORLD YOLO-WORLD demo

  • Moondream1-Moondream1 Moondream1

Face Detection & Recognition (AGE GENDER MOOD Analysis)-تشخیص و شناسایی چهره (تحلیل سن، جنسیت، خلق و خو) Face Detection & Recognition (AGE GENDER MOOD Analysis)

  • Face Recognition Using DeepFace Project 11-پروژه 11 شناسایی چهره با استفاده از DeepFace Face Recognition Using DeepFace Project 11

Deepfake Generation-تولید Deepfake Deepfake Generation

  • DeepFake Generation Project 12-پروژه 12 تولید DeepFake DeepFake Generation Project 12

More learning: GENERATIVE AI - Image Generation Via Prompting -Diffusion Models-یادگیری بیشتر: هوش مصنوعی مولد - تولید تصویر از طریق Prompting - مدل های Diffusion More learning: GENERATIVE AI - Image Generation Via Prompting -Diffusion Models

  • 74 Stable Diffusion-74 Stable Diffusion 74 Stable Diffusion

  • 75 clip and unet for stable diffusion-75 clip و unet برای stable diffusion 75 clip and unet for stable diffusion

  • 76 Stable diffusion tools-76 ابزارهای stable diffusion 76 Stable diffusion tools

  • 77 Stable diffusion tools-77 ابزارهای stable diffusion 77 Stable diffusion tools

  • 78 stable diffusion resources-78 منابع stable diffusion 78 stable diffusion resources

  • 79 STABLE DIFFUSION code-79 کد STABLE DIFFUSION 79 STABLE DIFFUSION code

  • 80 stable diffusion UI-80 رابط کاربری stable diffusion 80 stable diffusion UI

  • 81 stable cascade-81 stable cascade 81 stable cascade

  • 82 forge setup-82 راه اندازی forge 82 forge setup

نمایش نظرات

آموزش [جدید] ۲۰۲۵: تسلط بر بینایی کامپیوتر با هوش مصنوعی مولد (GenAI): ۱۲ پروژه
جزییات دوره
27 hours
81
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
346
4.1 از 5
دارد
دارد
دارد
MG Analytics
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

MG Analytics MG Analytics

دانشمند داده و مربی حرفه ای