آموزش عمیق برای بینایی کامپیوتر در TensorFlow[2024]

Master Deep Learning for Computer Vision in TensorFlow[2024]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: از Transformers Vision ConvNets برای ساخت پروژه‌هایی در طبقه‌بندی تصویر، تولید، تقسیم‌بندی تشخیص اشیاء استفاده کنید. مبانی Tensorflow و آموزش شبکه‌های عصبی با TensorFlow 2. شبکه‌های عصبی کانولوشنال برای ساختن تشخیص مالاریا مدل‌های پیشرفته‌تر Tensorflow با API عملکردی، زیر طبقه‌بندی مدل و لایه‌های سفارشی ارزیابی مدل‌های طبقه‌بندی با استفاده از معیارهای مختلف مانند: دقت، فراخوان، کلاس F1-دقت و ارزیابی مدل با ماتریس سردرگمی و منحنی ROC Callbacks Tensorflow، زمان‌بندی نرخ یادگیری و مدل بررسی نقطه‌ای کاهش بیش‌برازش و عدم تناسب با Dropout، منظم‌سازی، افزایش داده‌ها افزایش داده با TensorFlow با استفاده از تصویر TensorFlow و Keras Layers Advanced Data Mixup Augmentation آلبوم‌سازی با TensorFlow 2 و PyTorch Custom Loss و Metrics در TensorFlow 2 Eager و Graph Modes در TensorFlow 2 Training Loops سفارشی در TensorFlow 2 ادغام Tensorboard با TensorFlow 2 برای ثبت داده‌ها، مشاهده نمودارهای مدل، تنظیم نمودارهای مدل هایپرپارامتر با تنظیمات اپرا وزن‌ها و سوگیری‌ها ردیابی آزمایشی با تنظیم فراپارامتر Wandb با Wandb نسخه‌سازی مجموعه داده با Wandb نسخه‌سازی مدل با Wandb تشخیص احساسات انسانی شبکه‌های عصبی کانولوشنال مدرن (Alexnet، Vggnet، Resnet، Mobilenet، EfficientNet) آموزش انتقال تصویرسازی لایه‌های میانی convnet به روش Grad-cam و مدل عدم تعادل کلاس ترانسفورماتورها در استقرار مدل Vision تبدیل از tensorflow به Onnx مدل Quantization آموزش Aware Building API با Fastapi استقرار API به Cloud تشخیص اشیاء از ابتدا با YOLO تقسیم بندی تصویر از ابتدا با مدل UNET مردم شمارش از ابتدا با Csrnet تولید خودکار رقمی با Vardersi VAE) تولید چهره با شبکه‌های عصبی متخاصم (GAN) پیش نیازها: دانش پایه ریاضی پایتون دسترسی به اتصال به اینترنت، همانطور که از Google Colab استفاده خواهیم کرد (نسخه رایگان)

یادگیری عمیق امروز یک موضوع داغ است! این به دلیل تأثیری است که در چندین صنعت دارد. یکی از زمینه هایی که امروزه یادگیری عمیق در آن بیشترین تاثیر را دارد، بینایی کامپیوتر است. تشخیص اشیا، تقسیم بندی تصویر، طبقه بندی تصویر، شمارش افراد نسل تصویر

برای درک اینکه چرا دید کامپیوتر مبتنی بر یادگیری عمیق تا این حد محبوب است. کافی است نگاهی به حوزه‌های مختلف بیندازیم که در آن دادن قدرت به رایانه برای درک محیط اطراف خود از طریق دوربین، زندگی ما را تغییر داده است.

برخی از برنامه های Computer Vision عبارتند از:

  • کمک به پزشکان در انجام کارآمدتر تشخیص‌های پزشکی

  • کشاورزان را قادر می‌سازد تا محصولات خود را با ربات‌ها برداشت کنند، با نیاز به دخالت بسیار کمی انسان،

  • فعال کردن خودروهای خودران

  • کمک به نظارت پاسخ سریع با سیستم‌های دوربین مدار بسته هوشمند، زیرا دوربین‌ها اکنون دارای چشم و مغز هستند

  • ایجاد هنر با GAN، VAE، و مدل‌های انتشار

  • تجزیه و تحلیل داده ها در ورزش، که در آن حرکات بازیکنان به طور خودکار با استفاده از الگوریتم های پیچیده بینایی کامپیوتری کنترل می شود.

تقاضا برای مهندسان Computer Vision سرسام آور است و کارشناسان در این زمینه به دلیل ارزشی که دارند دستمزد بالایی دریافت می کنند. با این حال، شروع در این زمینه آسان نیست. اطلاعات بسیار زیادی وجود دارد که بسیاری از آنها قدیمی است و بسیاری از اوقات افراد مبتدی را در نظر نمی گیرند:(

در این دوره، ما شما را به سفری شگفت انگیز خواهیم برد که در آن با رویکردی گام به گام و مبتنی بر پروژه بر مفاهیم مختلف تسلط خواهید داشت. شما باید از Tensorflow 2 (محبوب ترین کتابخانه جهان برای یادگیری عمیق، ساخته شده توسط Google) و Huggingface استفاده کنید. ما با درک چگونگی ساخت مدل‌های بسیار ساده (مانند مدل رگرسیون خطی برای پیش‌بینی قیمت خودرو و طبقه‌بندی کننده باینری برای پیش‌بینی مالاریا) با استفاده از Tensorflow تا مدل‌های بسیار پیشرفته‌تر (مانند مدل تشخیص شی با YOLO و تولید تصویر با GAN) شروع خواهیم کرد.

پس از گذراندن این دوره و انجام پروژه‌های مختلف، مجموعه مهارت‌های مورد نیاز برای توسعه یادگیری عمیق مدرن برای راه‌حل‌های بینایی کامپیوتری را که شرکت‌های بزرگ فناوری با آن مواجه می‌شوند، توسعه خواهید داد.

یاد خواهید گرفت:

  • مبانی TensorFlow (تنسورها، ساخت مدل، آموزش و ارزیابی)

  • الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی Convolutional و Vision Transformers

  • ارزیابی مدل‌های طبقه‌بندی (دقت، یادآوری، دقت، امتیاز F1، ماتریس سردرگمی، منحنی ROC)

  • کاهش برازش بیش از حد با افزایش داده

  • مفاهیم پیشرفته Tensorflow مانند تلفات و معیارهای سفارشی، حالت‌های Eager و نمودار و حلقه‌های آموزشی سفارشی، Tensorboard

  • عملیات یادگیری ماشین (MLOps) با وزن‌ها و سوگیری‌ها (ردیابی آزمایش، تنظیم فراپارامتر، نسخه مجموعه داده، نسخه‌سازی مدل)

  • طبقه بندی باینری با تشخیص مالاریا

  • طبقه بندی چند طبقه با تشخیص احساسات انسانی

  • آموزش را با Convnetهای مدرن (Vggnet، Resnet، Mobilenet، Efficientnet) و Vision Transformers (VITs) انتقال دهید

  • تشخیص شی با YOLO (شما فقط یک بار نگاه می کنید)

  • تقسیم بندی تصویر با UNet

  • افراد در حال شمارش با Csrnet

  • استقرار مدل (تقطیر، قالب Onnx، Quantization، Fastapi، Heroku Cloud)

  • تولید رقم با رمزگذارهای خودکار متغیر

  • تولید چهره با شبکه‌های عصبی متخاصم


اگر مایلید در حرفه خود قدمی فراتر بردارید، این دوره برای شما مناسب است و ما بسیار هیجان زده هستیم تا به اهداف شما کمک کنیم!

این دوره توسط Neuralearn به شما ارائه شده است. و درست مانند هر دوره دیگری توسط Neuralearn، ما تاکید زیادی بر بازخورد داریم. نظرات و سوالات شما در انجمن به ما در بهتر شدن این دوره کمک می کند. تا حد امکان در انجمن سوال بپرسید. ما تمام تلاش خود را می کنیم تا در کوتاه ترین زمان ممکن پاسخ دهیم.


لذت ببرید!!!


سرفصل ها و درس ها

معرفی Introduction

  • خوش آمدی Welcome

  • مقدمه کلی General Introduction

  • محتوای دوره Course Content

  • پیوند به کد Link to Code

تانسورها و متغیرها Tensors and Variables

  • پیوند به کد Link to Code

  • مبانی تانسور Tensor Basics

  • راه اندازی و ریخته گری تانسور Tensor Initialization and Casting

  • نمایه سازی Indexing

  • عملیات ریاضی در تنسورفلو Maths Operations in Tensorflow

  • عملیات جبر خطی در Tensorflow Linear Algebra Operations in Tensorflow

  • روش‌های رایج تنسورفلو Common Tensorflow Methods

  • تانسورهای پاره پاره Ragged Tensors

  • تانسورهای پراکنده Sparse Tensors

  • تانسورهای رشته String Tensors

  • متغیرهای تنسورفلو Tensorflow Variables

ساخت یک شبکه عصبی ساده در تنسورفلو Building a Simple Neural Network in Tensorflow

  • پیوند به کد Link to Code

  • پیوند به مجموعه داده Link to Dataset

  • درک وظیفه Task Understanding

  • آماده سازی داده ها Data Preparation

  • مدل رگرسیون خطی Linear Regression Model

  • تحریم خطا Error Sanctioning

  • آموزش و بهینه سازی Training and Optimization

  • اندازه گیری عملکرد Performance Measurement

  • اعتبار سنجی و آزمایش Validation and Testing

  • اقدامات اصلاحی Corrective Measures

ساخت شبکه های عصبی کانولوشنال [تشخیص مالاریا] Building Convolutional Neural Networks [Malaria Diagnosis]

  • پیوند به کد Link to Code

  • درک وظیفه Task Understanding

  • آماده سازی داده ها Data Preparation

  • تجسم داده ها Data Visualization

  • پردازش داده ها Data Processing

  • چگونه و چرا شبکه های عصبی کانولوشن کار می کنند How and Why Convolutional Neural Networks work

  • ساخت شبکه های ارتباطی در تنسورفلو Building Convnets in Tensorflow

  • از دست دادن متقاطع باینری Binary Crossentropy Loss

  • آموزش Convnet Convnet Training

  • ارزیابی و آزمایش مدل Model Evaluation and Testing

  • بارگیری و ذخیره مدل‌های تنسورفلو در Google Drive Loading and Saving Tensorflow Models to Google Drive

ساخت مدل های پیشرفته تر با API عملکردی، طبقه بندی فرعی و لایه های سفارشی Building more advanced Models with Functional API, Subclassing and Custom Layers

  • API عملکردی Functional API

  • زیر طبقه بندی مدل Model Subclassing

  • لایه های سفارشی Custom Layers

ارزیابی مدل های طبقه بندی Evaluating Classification Models

  • دقت، یادآوری و دقت Precision,Recall and Accuracy

  • ماتریس سردرگمی Confusion Matrix

  • منحنی ROC ROC Curve

بهبود عملکرد مدل Improving Model Performance

  • تماس های تنسورفلو Tensorflow Callbacks

  • زمان بندی میزان یادگیری Learning rate scheduling

  • ایست بازرسی مدل Model checkpointing

  • کاهش بیش از حد برازش و عدم تناسب با حذف، منظم سازی Mitigating Overfitting and Underfitting with Dropout, Regularization

افزایش داده ها Data Augmentation

  • تقویت داده ها با TensorFlow با استفاده از tf.image و لایه های Keras Data augmentation with TensorFlow using tf.image and Keras Layers

  • مخلوط کردن افزایش داده با TensorFlow 2 با ادغام در tf.data Mixup Data augmentation with TensorFlow 2 with intergration in tf.data

  • Cutmix Data Augmentation با TensorFlow 2 و ادغام در tf.data Cutmix Data augmentation with TensorFlow 2 and intergration in tf.data

  • آلبوم سازی با TensorFlow 2 و PyTorch برای تقویت داده ها Albumentations with TensorFlow 2 and PyTorch for Data augmentation

مفاهیم پیشرفته تنسورفلو Advanced Tensorflow Concepts

  • از دست دادن سفارشی و معیارها Custom Loss and Metrics

  • حالت های مشتاق و نمودار Eager and Graph Modes

  • حلقه های آموزشی سفارشی Custom Training Loops

ادغام Tensorboard Tensorboard Integration

  • ثبت داده ها Data Logging

  • مشاهده نمودارهای مدل Viewing Model Graphs

  • تنظیم فراپارامتر Hyperparameter tuning

  • نمایه سازی و سایر تجسم ها با Tensorboard. Profiling and other visualizations with Tensorboard.

MLO با وزن و تعصب MLOps with Weights and Biases

  • ردیابی آزمایش Experiment Tracking

  • تنظیم هایپرپارامتر با وزن ها و بایاس ها و TensorFlow 2 Hyperparameter Tuning with Weights and Biases and TensorFlow 2

  • نسخه‌سازی مجموعه داده با وزن‌ها و بایاس‌ها و TensorFlow 2 Dataset Versioning with Weights and Biases and TensorFlow 2

  • نسخه سازی داده ها با Wandb Data Versioning with Wandb

  • نسخه‌سازی مدل با وزن‌ها و بایاس‌ها و تنسورفلو ۲ Model Versioning with Weights and Biases and TensorFlow 2

تشخیص احساسات انسانی Human Emotions Detection

  • پیوند به کد Link to Code

  • آماده سازی داده ها Data Preparation

  • مدلسازی و آموزش Modeling and Training

  • افزایش داده ها Data augmentation

  • رکوردهای تنسورفلو Tensorflow Records

شبکه های عصبی کانولوشنال مدرن Modern Convolutional Neural Networks

  • الکس نت Alexnet

  • Vggnet Vggnet

  • Resnet Resnet

  • کدگذاری Resnet Coding Resnet

  • موبایل نت Mobilenet

  • Efficientnet Efficientnet

یادگیری انتقالی Transfer Learning

  • استفاده از مدل های از پیش آموزش دیده Leveraging Pretrained Models

  • تنظیم دقیق Finetuning

شیرجه رفتن در جعبه سیاه Diving into the blackbox

  • تجسم لایه های میانی Visualizing intermediate layers

  • روش Grad-cam Grad-cam Method

گروه بندی و عدم تعادل طبقاتی Ensembling and class imbalance

  • گروه بندی Ensembling

  • عدم تعادل طبقاتی Class Imbalance

ترانسفورماتورها در ویژن Transformers in Vision

  • درک VIT ها Understanding VITs

  • ساخت VIT از ابتدا Building VITs from scratch

  • ترانسفورماتورهای Huggingface Finetuning Finetuning Huggingface Transformers

  • ارزیابی مدل با Wandb Model Evaluation with Wandb

  • ترانسفورماتورهای کارآمد داده Data efficient transformers

  • ترانسفورماتورهای سویین Swin Transformers

استقرار مدل Model Deployment

  • تبدیل مدل از Tensorflow به Onnx Model Conversion from Tensorflow to Onnx

  • درک کوانتیزاسیون Understanding quantization

  • کوانتیزاسیون عملی مدل Onnx Practical quantization of Onnx model

  • آموزش کوانتیزاسیون آگاه Quantization Aware training

  • تبدیل به مدل Tensorflow lite Conversion to Tensorflow lite model

  • API چیست What is an API

  • ساخت Emotions Detection API با Fastapi Building the Emotions Detection API with Fastapi

  • API تشخیص احساسات را در Cloud مستقر کنید Deploy the Emotions Detection API to the Cloud

  • API تشخیص احساسات را با Locust بارگیری کنید Load tesing the Emotions Detection API with Locust

تشخیص اشیا با الگوریتم YOLO Object Detection with YOLO algorithm

  • پیوند به کد Link to COde

  • درک تشخیص اشیا Understanding object detection

  • کاغذ YOLO YOLO Paper

  • آماده سازی مجموعه داده ها Dataset Preparation

  • YOLO Resnet YOLO Resnet

  • YOLO باخت YOLO Loss

  • افزایش داده ها Data augmentation

  • آزمایش کردن Testing

  • مولدهای داده Data generators

تقسیم بندی تصویر Image segmentation

  • پیوند به کد Link to Code

  • تقسیم بندی تصویر - مجموعه داده های حیوانات خانگی Oxford IIIT Image Segmentation - Oxford IIIT Pet Dataset

  • مدل UNET UNET model

  • آموزش و بهینه سازی Training and Optimization

  • افزایش داده ها و حذف Data Augmentation and Dropout

  • وزن کلاس و کاهش شبکه Class weighting and reduced network

مردم در حال شمارش People Counting

  • پیوند به کد Link to Code

  • شمارش افراد - مجموعه داده های فناوری شانگایی People Counting - Shangai Tech Dataset

  • آماده سازی مجموعه داده ها Dataset Preparation

  • CSRNET CSRNET

  • آموزش و بهینه سازی Training and Optimization

  • افزایش داده ها Data Augmentation

تولید تصویر Image Generation

  • پیوند به کد Link to Code

  • مقدمه ای بر تولید تصویر Introduction to Image generation

  • آشنایی با رمزگذارهای خودکار متغیر Understanding Variational autoencoders

  • آموزش VAE و تولید رقم VAE training and digit generation

  • تجسم فضای پنهان Latent space visualizations

  • GAN ها چگونه کار می کنند How GANs work

  • ضرر GAN The GAN Loss

  • بهبود آموزش GAN Improving GAN training

  • تولید چهره با GAN Face generation with GANs

برنامه نویسی ضروری پایتون Essential Python Programming

  • نصب پایتون Python Installation

  • اظهارات مشروط Conditional Statements

  • متغیرها و عملگرهای پایه Variables and Basic Operators

  • حلقه ها Loops

  • مواد و روش ها Methods

  • اشیاء و کلاس ها Objects and Classes

  • بارگذاری بیش از حد اپراتور Operator Overloading

  • انواع روش Method Types

  • وراثت Inheritance

  • کپسوله سازی Encapsulation

  • پلی مورفیسم Polymorphism

  • دکوراتورها Decorators

  • ژنراتورها Generators

  • بسته Numpy Numpy Package

  • مقدمه Matplotlib Matplotlib Introduction

نمایش نظرات

آموزش عمیق برای بینایی کامپیوتر در TensorFlow[2024]
جزییات دوره
45.5 hours
139
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
866
4.4 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Neuralearn Dot AI Neuralearn Dot AI

کمک به میلیون ها یادگیرنده، بر یادگیری عمیق مسلط شوید.