آموزش Deep Learning Computer Vision™ CNN، OpenCV، YOLO، SSD و GAN

Deep Learning Computer Vision™ CNN, OpenCV, YOLO, SSD & GANs

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: به روز رسانی 2020 با پشتیبانی TensorFlow 2.0. در Deep Learning Computer Vision حرفه ای شوید! شامل 20+ پروژه دنیای واقعی است که با تکمیل 26 پروژه بینایی کامپیوتری پیشرفته از جمله احساسات، طبقه بندی سن و جنسیت، تشخیص علائم زیرزمینی لندن، نژاد میمون، گل ها، میوه ها، شخصیت های سیمپسون ها و بسیاری موارد دیگر، بیاموزید! تکنیک های بینایی کامپیوتری یادگیری عمیق پیشرفته مانند آموزش انتقال و استفاده از مدل های از پیش آموزش دیده (VGG، MobileNet، InceptionV3، ResNet50) در ImageNet و ایجاد مجدد CNN های محبوب مانند AlexNet، LeNet، VGG و U-Net. درک کنید که چگونه شبکه‌های عصبی، شبکه‌های عصبی کانولوشن، R-CNN، SSD، YOLO و GAN‌ها با توضیحات ساده من با چارچوب‌های دیگر (PyTorch، Caffe، MXNET، CV API)، پردازنده‌های گرافیکی ابری آشنا می‌شوند و یک نمای کلی از Computer Vision دریافت می‌کنند. نحوه استفاده از کتابخانه Python Keras برای ساخت شبکه های یادگیری عمیق (با استفاده از پشتوانه Tensorflow) نحوه انجام انتقال سبک عصبی، DeepDream و استفاده از GAN برای سن افراد تا 60+ چگونه مجموعه داده های تصویری خود را ایجاد، برچسب گذاری، حاشیه نویسی، آموزش دهید ، مناسب برای پروژه های دانشگاهی و استارتاپ ها نحوه استفاده از OpenCV با یک دوره اختیاری رایگان با تقریبا 4 ساعت ویدئو نحوه استفاده از CNN مانند U-Net برای انجام بخش بندی تصویر که در برنامه تصویربرداری پزشکی بسیار مفید است نحوه استفاده از API تشخیص اشیاء TensorFlow و یک آشکارساز شی سفارشی در تشخیص چهره YOLO با VGGFace ایجاد کنید از پردازنده‌های گرافیکی ابری در PaperSpace برای افزایش سرعت ۱۰۰ برابری در مقابل CPU بسازید یک API و برنامه Web Vision رایانه بسازید و با استفاده از نمونه EC2 آن را روی AWS میزبانی کنید. پیش نیازها: دانش برنامه نویسی پایه یک مزیت است اما الزامی نیست ریاضی سطح دبیرستان، سطح کالج یک امتیاز است حداقل 20 گیگابایت فضای ذخیره سازی برای ماشین مجازی و مجموعه داده ها سیستم عامل ویندوز، MacOS یا Linux

به‌روزرسانی: ژوئن-2020

  • کد سازگار با TensorFlow 2.0

  • راهنمای نصب ویندوز برای TensorFlow2.0 (با Keras)، OpenCV4 و Dlib

Deep Learning Computer Vision™ از Python Keras برای پیاده سازی CNN، YOLO، TFOD، R-CNN، SSD GAN ها + معرفی رایگان OpenCV استفاده کنید.

اگر می‌خواهید تمام آخرین مفاهیم 2019 را در کاربرد Deep Learning در Computer Vision بیاموزید، دیگر به دنبال آن نباشید - این دوره برای شماست! چارچوب های یادگیری عمیق زیر را در پایتون دریافت خواهید کرد:

  • کراس

  • Tensorflow 2.0

  • TensorFlow Object Detection API

  • YOLO (DarkNet و DarkFlow)

  • OpenCV4

همه در یک ماشین مجازی آسان برای استفاده، با تمام کتابخانه ها از پیش نصب شده!

============================================== =======

به‌روزرسانی‌های آوریل 2019:

  • چگونه یک Cloud GPU را در PaperSpace راه اندازی کنیم و یک CIFAR10 AlexNet CNN را تقریباً 100 برابر سریعتر آموزش دهیم!

  • یک Computer Vision API و Web App بسازید و با استفاده از یک نمونه EC2 آن را روی AWS میزبانی کنید!

به‌روزرسانی‌های مارس 2019:

پروژه های خوان شماره کارت اعتباری تشخیص چهره به تازگی اضافه شده

  • چند نفر را با استفاده از وب کم خود شناسایی کنید

  • تشخیص چهره در شخصیت‌های نمایش تلویزیونی دوستان

  • از یک کارت اعتباری عکس بگیرید، اعداد روی آن کارت را استخراج و شناسایی کنید!

============================================== =======

برنامه‌های بینایی رایانه‌ای که شامل یادگیری عمیق هستند در حال رشد هستند!

داشتن ماشین‌هایی که می‌توانند "دیدن" را داشته باشند، دنیای ما را تغییر می‌دهد و تقریباً هر صنعت را متحول می‌کند. ماشین‌ها یا روبات‌هایی که می‌توانند ببینند می‌توانند:

  • عمل جراحی را انجام دهید و با اسکن های پزشکی شما را به طور دقیق تجزیه و تحلیل و تشخیص دهید.

  • فعال کردن خودروهای خودران

  • تغییر اساسی روبات‌ها به ما امکان می‌دهد ربات‌هایی بسازیم که می‌توانند پخته، تمیز کنند و تقریباً در هر کاری به ما کمک کنند

  • درک آنچه در ویدئوهای نظارت دوربین مداربسته دیده می‌شود را بدانید، بنابراین امنیت، مدیریت ترافیک و سرویس‌های دیگر را انجام دهید

  • با انتقال‌های سبک عصبی شگفت‌انگیز و دیگر انواع خلاقانه تولید تصویر، هنر ایجاد کنید

  • شبیه‌سازی بسیاری از وظایف مانند چهره‌های پیر، اصلاح فیدهای ویدیویی زنده و جایگزینی واقعی بازیگران در فیلم‌ها

شرکت‌های بزرگ فناوری مانند فیس‌بوک، گوگل، مایکروسافت، اپل، آمازون و تسلا میلیاردها دلار را به تحقیقات بینایی رایانه اختصاص می‌دهند.

در نتیجه، تقاضا برای تخصص بینایی کامپیوتر به طور تصاعدی در حال افزایش است!

با این حال، یادگیری بینایی کامپیوتر با یادگیری عمیق سخت است!

  • آموزش ها بیش از حد فنی و نظری هستند

  • کد قدیمی است

  • مبتدی‌ها نمی‌دانند از کجا شروع کنند

به همین دلیل این دوره را ساختم!

  • من ماهها را صرف ایجاد یک مسیر یادگیری مناسب و کامل کردم.

  • من تمام مفاهیم کلیدی را به صورت منطقی و بدون بارگذاری بیش از حد با تئوری ریاضی در حالی که از به روزترین روش ها استفاده می کنم، آموزش می دهم.

  • من یک ماشین مجازی رایگان ایجاد کردم که تمام کتابخانه های یادگیری عمیق (Keras، TensorFlow، OpenCV، TFODI، YOLO، Darkflow و غیره) نصب شده است! این کار باعث صرفه جویی در ساعت‌ها نصب پیچیده و دردناک می‌شود

  • من با استفاده از مثال های عملی آموزش می دهم و شما با انجام 18 پروژه یاد خواهید گرفت!

پروژه هایی مانند:

  1. دسته‌بندی رقمی دست‌نویس با استفاده از MNIST

  2. طبقه بندی تصویر با استفاده از CIFAR10

  3. دسته‌بندی سگ در مقابل گربه

  4. طبقه‌بندی گل با استفاده از Flowers-17

  5. طبقه‌بندی مد با استفاده از FNIST

  6. طبقه‌بندی نژاد میمون

  7. طبقه بندی میوه

  8. طبقه‌بندی کاراکتر Simpsons

  9. استفاده از مدل های از پیش آموزش دیده ImageNet برای طبقه بندی 1000 کلاس شی

  10. طبقه بندی سن، جنسیت و احساسات

  11. یافتن هسته ها در اسکن های پزشکی با استفاده از U-Net

  12. تشخیص شی با استفاده از مدل ResNet50 SSD ساخته شده با استفاده از تشخیص اشیاء TensorFlow

  13. تشخیص شی با YOLO V3

  14. یک آشکارساز شیء سفارشی YOLO که علائم متروی متروی لندن را تشخیص می دهد

  15. DeepDream

  16. انتقالات سبک عصبی

  17. GAN - ایجاد ارقام جعلی

  18. GANs - با استفاده از Age-cGAN، چهره‌های سنی تا 60+ سال دارند

  19. تشخیص چهره

  20. خواننده رقمی کارت اعتباری

  21. استفاده از پردازنده‌های گرافیکی Cloud در PaperSpace

  22. یک Computer Vision API و Web App بسازید و با استفاده از یک نمونه EC2 آن را روی AWS میزبانی کنید!

و پروژه های OpenCV مانند:

  1. طرح زنده

  2. شناسایی اشکال

  3. شمارش دایره ها و بیضی ها

  4. یافتن والدو

  5. آشکارسازهای تک شی با استفاده از OpenCV

  6. آشکارساز خودرو و عابر پیاده با استفاده از طبقه‌بندی‌کننده آبشار

بنابراین اگر می‌خواهید پایه‌ای عالی در Computer Vision به دست آورید، به دنبال آن نباشید.

این دوره برای شماست!

در این دوره، قدرت بینایی کامپیوتر در پایتون را کشف خواهید کرد و مهارت هایی را به دست خواهید آورد تا به طور چشمگیری چشم انداز شغلی خود را به عنوان یک توسعه دهنده ویژن کامپیوتر افزایش دهید.

============================================== =======

در مورد به‌روزرسانی‌ها و پشتیبانی:

من روزانه در بخش "پرسش و پاسخ" دوره فعال خواهم بود، بنابراین شما هرگز تنها نیستید.

بنابراین، آیا برای شروع آماده هستید؟ همین حالا ثبت نام کنید و از همین امروز با استفاده از یادگیری عمیق روند استاد شدن در بینایی کامپیوتر را شروع کنید!

============================================== =======

آنچه دانشجویان قبلی در دوره Udemy دیگر من گفته اند:

"من از احتمالات شگفت زده شده ام. بسیار آموزشی، یادگیری بیش از آنچه که تا به حال فکر می کردم ممکن است. اکنون، توانایی استفاده از آن در یک هدف عملی بسیار جذاب است... چیزهای بیشتری برای یادگیری اعمال می شود"

"دوره آموزشی بسیار خوب و آموزنده Computer Vision! من به دنبال منابع آموزشی OpenCV پایتون در وب گشتم، اما این دوره تا حد زیادی بهترین ادغام درس ها و پروژه های مرتبط بود. برخی از پروژه ها را دوست داشتم و بسیار سرگرم کننده بودم. سرهم کردن آنها."

"مدرس و دوره عالی. درک توضیحات واقعاً آسان است و مطالب بسیار ساده قابل پیگیری است. قطعاً مقدمه ای واقعاً خوب برای پردازش تصویر."


"من بسیار تحت تاثیر این دوره هستم!! من فکر می کنم که این بهترین دوره آموزشی Computer Vision در Udemy است. من یک دانشجوی کالج هستم که قبلاً یک دوره Computer Vision را در مقطع کارشناسی گذرانده بودم. این دوره 6.5 ساعته بسیار خوب است. کلاس کالج من کیلومترها!!"

"راجیف در این دوره کار بسیار خوبی انجام داد. من نمی دانستم بینایی کامپیوتر چگونه کار می کند و اکنون پایه خوبی از مفاهیم و دانش کاربردهای عملی دارم. راجیف واضح و مختصر است که به درک موضوع پیچیده کمک می کند. هر کسی که بخواهد شروع به ساخت برنامه کند."

============================================== =======


سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره Course Introduction

مقدمه ای بر بینایی کامپیوتر و یادگیری عمیق Intro to Computer Vision & Deep Learning

  • مقدمه ای بر بینایی کامپیوتر و یادگیری عمیق Introduction to Computer Vision & Deep Learning

  • Computer Vision چیست و چه چیزی آن را سخت می کند What is Computer Vision and What Makes it Hard

  • تصاویر چیست؟ What are Images?

  • معرفی OpenCV، OpenVINO™ و محدودیت های آنها Intro to OpenCV, OpenVINO™ & their Limitations

راهنمای نصب Installation Guide

  • به‌روزرسانی جدید راهنمای نصب 2020 - Tensorflow 2.0 New Install Guide Update 2020 - Tensorflow 2.0

  • راهنمای نصب ویندوز به روز رسانی جدید 2020 Windows install guide NEW 2020 UPDATE

  • راه اندازی ماشین مجازی یادگیری عمیق خود (کد، VM و اسلایدها را از اینجا دانلود کنید!) Setting up your Deep Learning Virtual Machine (Download Code, VM & Slides here!)

  • اختیاری - راهنمای عیب یابی برای راه اندازی VM و برای حل برخی از مشکلات MacOS Optional - Troubleshooting Guide for VM Setup & for resolving some MacOS Issues

  • اختیاری - راه اندازی دستی ماشین مجازی اوبونتو Optional - Manual Setup of Ubuntu Virtual Machine

  • اختیاری - راه اندازی یک درایو مشترک با سیستم عامل میزبان خود Optional - Setting up a shared drive with your Host OS

تشخیص دست خط Handwriting Recognition

  • شروع کنید! تشخیص دست خط، طبقه بندی اشیاء ساده نسخه ی نمایشی OpenCV Get Started! Handwriting Recognition, Simple Object Classification OpenCV Demo

  • با یک دسته بندی دست خط آزمایش کنید Experiment with a Handwriting Classifier

  • با یک طبقه‌بندی کننده تصویر آزمایش کنید Experiment with a Image Classifier

  • نسخه ی نمایشی OpenCV - طرح زنده با وب کم OpenCV Demo – Live Sketch with Webcam

آموزش OpenCV - یادگیری کلاسیک بینایی و تشخیص چهره کامپیوتری (اختیاری) OpenCV Tutorial - Learn Classic Computer Vision & Face Detection (OPTIONAL)

  • OpenCV را راه اندازی کنید Setup OpenCV

  • تصاویر چیست؟ What are Images?

  • تصاویر چیست؟ What are Images?

  • تصاویر چگونه شکل می گیرند How are Images Formed

  • ذخیره تصاویر در کامپیوتر Storing Images on Computers

  • شروع با OpenCV - معرفی مختصر OpenCV Getting Started with OpenCV - A Brief OpenCV Intro

  • خاکستری - تبدیل تصاویر رنگی به سایه های خاکستری Grayscaling - Converting Color Images To Shades of Gray

  • درک فضاهای رنگی - روش های متعددی که تصاویر رنگی به صورت دیجیتالی ذخیره می شوند Understanding Color Spaces - The Many Ways Color Images Are Stored Digitally

  • نمایش هیستوگرام تصاویر - تجسم اجزای تصاویر Histogram representation of Images - Visualizing the Components of Images

  • ایجاد تصاویر و طراحی روی تصاویر - ایجاد مربع، دایره، چند ضلعی و افزودن متن Creating Images & Drawing on Images - Make Squares, Circles, Polygons & Add Text

  • دگرگونی ها، آفین و غیر آفین - راه های زیادی که می توانیم تصاویر را تغییر دهیم Transformations, Affine And Non-Affine - The Many Ways We Can Change Images

  • ترجمه تصویر - حرکت تصاویر به بالا، پایین. چپ و راست Image Translations - Moving Images Up, Down. Left And Right

  • چرخش - چگونه تصویر خود را به اطراف بچرخانیم و چرخش افقی انجام دهیم Rotations - How To Spin Your Image Around And Do Horizontal Flipping

  • مقیاس بندی، تغییر اندازه و درون یابی - درک کنید که چگونه تغییر اندازه بر کیفیت تأثیر می گذارد Scaling, Re-sizing and Interpolations - Understand How Re-Sizing Affects Quality

  • اهرام تصویر - روش دیگری برای تغییر اندازه Image Pyramids - Another Way of Re-Sizing

  • برش - تصویر مناطقی را که می خواهید یا نمی خواهید برش دهید Cropping - Cut Out The Image The Regions You Want or Don't Want

  • عملیات حسابی - روشن و تیره شدن تصاویر Arithmetic Operations - Brightening and Darkening Images

  • عملیات بیتی - نحوه عملکرد پوشش تصویر Bitwise Operations - How Image Masking Works

  • محو کردن - راه های زیادی که می توانیم تصاویر را تار کنیم و چرا مهم است Blurring - The Many Ways We Can Blur Images & Why It's Important

  • تیز کردن - تاری تصاویر خود را معکوس کنید Sharpening - Reverse Your Images Blurs

  • آستانه گذاری (دودویی سازی) - سیاه یا سفید کردن برخی مناطق تصاویر Thresholding (Binarization) - Making Certain Images Areas Black or White

  • اتساع، فرسایش، باز شدن/بستن - اهمیت خطوط ضخیم/نازک شدن Dilation, Erosion, Opening/Closing - Importance of Thickening/Thinning Lines

  • تشخیص لبه با استفاده از گرادیان های تصویر و تشخیص لبه Canny Edge Detection using Image Gradients & Canny Edge Detection

  • دگرگونی های پرسپکتیو و آفین - یک عکس از زاویه خارج کنید و آن را از بالا به پایین به نظر برسانید Perspective & Affine Transforms - Take An Off Angle Shot & Make It Look Top Down

  • Mini Project 1 - برنامه Live Sketch - فید وب کم خود را به طراحی با مداد تبدیل کنید Mini Project 1 - Live Sketch App - Turn your Webcam Feed Into A Pencil Drawing

  • تقسیم بندی و خطوط - اشکال تعریف شده را در تصویر خود استخراج کنید Segmentation and Contours - Extract Defined Shapes In Your Image

  • مرتب سازی خطوط - آن اشکال را بر اساس اندازه مرتب کنید Sorting Contours - Sort Those Shapes By Size

  • تقریبی خطوط و پیدا کردن بدنه محدب آنها - خطوط نامرتب را تمیز کنید Approximating Contours & Finding Their Convex Hull - Clean Up Messy Contours

  • تطبیق شکل‌های کانتور - شکل‌ها را در تصاویر حتی زمانی که اعوجاج دارند مطابقت دهید Matching Contour Shapes - Match Shapes In Images Even When Distorted

  • پروژه کوچک 2 - شناسایی اشکال (مربع، مستطیل، دایره، مثلث و ستاره ها) Mini Project 2 - Identify Shapes (Square, Rectangle, Circle, Triangle & Stars)

  • تشخیص خط - شناسایی خطوط مستقیم به عنوان مثال. خطوط در بازی سودوکو Line Detection - Detect Straight Lines E.g. The Lines On A Sudoku Game

  • تشخیص دایره Circle Detection

  • تشخیص لکه - مرکز گل ها را شناسایی کنید Blob Detection - Detect The Center of Flowers

  • مینی پروژه 3 - شمارش دایره ها و بیضی ها Mini Project 3 - Counting Circles and Ellipses

  • بررسی اجمالی تشخیص شی Object Detection Overview

  • پروژه کوچک شماره 4 - یافتن والدو (به سرعت یک الگوی خاص در یک تصویر پیدا کنید) Mini Project # 4 - Finding Waldo (Quickly Find A Specific Pattern In An Image)

  • تئوری توصیف ویژگی - نحوه نمایش دیجیتالی اشیا Feature Description Theory - How We Digitally Represent Objects

  • یافتن گوشه ها - چرا گوشه ها در تصاویر برای تشخیص اشیاء مهم هستند Finding Corners - Why Corners In Images Are Important to Object Detection

  • هیستوگرام گرادیان های جهت دار - روش جدید دیگری برای نمایش تصاویر Histogram of Oriented Gradients - Another Novel Way Of Representing Images

  • HAAR Cascade Classifiers - یاد بگیرید که چگونه طبقه بندی کننده ها کار می کنند و چرا شگفت انگیز هستند HAAR Cascade Classifiers - Learn How Classifiers Work And Why They're Amazing

  • تشخیص چهره و چشم - تشخیص چهره و چشم انسان در هر تصویر Face and Eye Detection - Detect Human Faces and Eyes In Any Image

  • مینی پروژه 6 - تشخیص خودرو و عابر پیاده در ویدیوها Mini Project 6 - Car and Pedestrian Detection in Videos

شبکه های عصبی توضیح داده شده است Neural Networks Explained

  • بررسی اجمالی فصل شبکه های عصبی Neural Networks Chapter Overview

  • مروری بر یادگیری ماشین Machine Learning Overview

  • شبکه های عصبی توضیح داده شده است Neural Networks Explained

  • انتشار رو به جلو Forward Propagation

  • توابع فعال سازی Activation Functions

  • آموزش قسمت 1 - توابع از دست دادن Training Part 1 – Loss Functions

  • آموزش قسمت 2 - انتشار پس و نزول گرادیان Training Part 2 – Backpropagation and Gradient Descent

  • پس انتشار و نرخ یادگیری - یک مثال کارآمد Backpropagation & Learning Rates – A Worked Example

  • منظم سازی، برازش بیش از حد، تعمیم و تست مجموعه داده ها Regularization, Overfitting, Generalization and Test Datasets

  • دوره ها، تکرارها و اندازه های دسته ای Epochs, Iterations and Batch Sizes

  • اندازه گیری عملکرد و ماتریس سردرگمی Measuring Performance and the Confusion Matrix

  • بررسی و بهترین شیوه ها Review and Best Practices

شبکه های عصبی کانولوشنال (CNN) توضیح داده شده است Convolutional Neural Networks (CNNs) Explained

  • بررسی اجمالی فصل شبکه های عصبی کانولوشنال Convolutional Neural Networks Chapter Overview

  • معرفی شبکه های عصبی کانولوشنال Convolutional Neural Networks Introduction

  • پیچیدگی ها و ویژگی های تصویر Convolutions & Image Features

  • عمق، گام و بالشتک Depth, Stride and Padding

  • ReLU ReLU

  • ادغام Pooling

  • لایه کاملا متصل The Fully Connected Layer

  • CNN های آموزشی Training CNNs

  • طراحی CNN خودتان Designing Your Own CNN

ساخت CNN در پایتون با استفاده از Keras Build CNNs in Python using Keras

  • ساخت CNN در کراس Building a CNN in Keras

  • مقدمه ای بر Keras & Tensorflow Introduction to Keras & Tensorflow

  • ساخت یک سیستم تشخیص دست خط CNN Building a Handwriting Recognition CNN

  • بارگیری داده های ما Loading Our Data

  • دریافت اطلاعات ما در "شکل" Getting our data in ‘Shape’

  • Hot One Encoding Hot One Encoding

  • ساخت و تدوین مدل ما Building & Compiling Our Model

  • آموزش طبقه بندی کننده ما Training Our Classifier

  • ترسیم نمودارهای تلفات و دقت Plotting Loss and Accuracy Charts

  • ذخیره و بارگیری مدل شما Saving and Loading Your Model

  • نمایش بصری مدل شما Displaying Your Model Visually

  • ساخت یک طبقه بندی کننده تصویر ساده با استفاده از CIFAR10 Building a Simple Image Classifier using CIFAR10

آنچه CNN ها می بینند - تجسم ها، نقشه های حرارتی و نقشه های برجسته را فیلتر کنید What CNNs 'see' - Filter Visualizations, Heatmaps and Salience Maps

  • مقدمه ای بر تجسم آنچه که CNN ها می بینند و تجسم ها را فیلتر می کنند Introduction to Visualizing What CNNs 'see' & Filter Visualizations

  • نقشه های برجسته و نقشه های فعال سازی کلاس Saliency Maps & Class Activation Maps

  • نقشه های برجسته و نقشه های فعال سازی کلاس Saliency Maps & Class Activation Maps

  • نقشه های برجسته و نقشه های فعال سازی کلاس Saliency Maps & Class Activation Maps

  • تجسم ها را فیلتر کنید Filter Visualizations

  • تجسم نقشه حرارتی از فعال سازی کلاس Heat Map Visualizations of Class Activations

افزایش داده ها: گربه ها در مقابل سگ ها Data Augmentation: Cats vs Dogs

  • بررسی اجمالی فصل افزایش داده ها Data Augmentation Chapter Overview

  • تقسیم داده ها به مجموعه داده های تست و آموزش Splitting Data into Test and Training Datasets

  • آموزش دسته بندی گربه ها در مقابل سگ ها Train a Cats vs. Dogs Classifier

  • افزایش دقت با افزایش داده ها Boosting Accuracy with Data Augmentation

  • انواع افزایش داده ها Types of Data Augmentation

ارزیابی عملکرد مدل Assessing Model Performance

  • مقدمه ای بر ماتریس سردرگمی و مشاهده طبقه بندی های غلط Introduction to the Confusion Matrix & Viewing Misclassifications

  • درک ماتریس سردرگمی Understanding the Confusion Matrix

  • یافتن و مشاهده داده های طبقه بندی شده اشتباه Finding and Viewing Misclassified Data

بهینه سازها، نرخ های یادگیری و پاسخ به تماس با طبقه بندی میوه ها Optimizers, Learning Rates & Callbacks with Fruit Classification

  • آشنایی با انواع بهینه سازها، نرخ یادگیری و پاسخ به تماس Introduction to the types of Optimizers, Learning Rates & Callbacks

  • انواع بهینه سازها و روش های نرخ یادگیری تطبیقی Types Optimizers and Adaptive Learning Rate Methods

  • پاسخ به تماس و ایست بازرسی Keras، توقف زودهنگام و تنظیم نرخ یادگیری که Pl Keras Callbacks and Checkpoint, Early Stopping and Adjust Learning Rates that Pl

  • یک طبقه بندی میوه بسازید Build a Fruit Classifier

نرمال سازی دسته ای و LeNet، AlexNet: طبقه بندی لباس Batch Normalization & LeNet, AlexNet: Clothing Classifier

  • مقدمه ای بر ساخت LeNet، AlexNet در Keras و درک عادی سازی دسته ای Intro to Building LeNet, AlexNet in Keras & Understand Batch Normalization

  • LeNet را بسازید و روی MNIST آزمایش کنید Build LeNet and test on MNIST

  • AlexNet را بسازید و روی CIFAR10 آزمایش کنید Build AlexNet and test on CIFAR10

  • عادی سازی دسته ای Batch Normalization

  • ساخت طبقه بندی لباس و پوشاک (Fashion MNIST) Build a Clothing & Apparel Classifier (Fashion MNIST)

دسته‌بندی‌های تصویر پیشرفته - ImageNet در Keras (VGG16/19، InceptionV3، ResNet50) Advanced Image Classiers - ImageNet in Keras (VGG16/19, InceptionV3, ResNet50)

  • فصل مقدمه Chapter Introduction

  • ImageNet - آزمایش با مدل های از پیش آموزش دیده در Keras (VGG16، ResNet50، Mobi ImageNet - Experimenting with pre-trained Models in Keras (VGG16, ResNet50, Mobi

  • آشنایی با VGG16 و VGG19 Understanding VGG16 and VGG19

  • آشنایی با ResNet50 Understanding ResNet50

  • درک InceptionV3 Understanding InceptionV3

آموزش انتقال: یک طبقه بندی نژاد گل و میمون بسازید Transfer Learning: Build a Flower & Monkey Breed Classifier

  • فصل مقدمه Chapter Introduction

  • Transfer Learning و Fine Tuning چیست What is Transfer Learning and Fine Tuning

  • با MobileNet با استفاده از Transfer Learning یک طبقه بندی نژاد میمون بسازید Build a Monkey Breed Classifier with MobileNet using Transfer Learning

  • با استفاده از Transfer Learning یک دسته بندی گل با VGG16 بسازید Build a Flower Classifier with VGG16 using Transfer Learning

CNN خود را طراحی کنید - LittleVGG: A Simpsons Classifier Design Your Own CNN - LittleVGG: A Simpsons Classifier

  • فصل مقدمه Chapter Introduction

  • معرفی LittleVGG Introducing LittleVGG

  • تشخیص شخصیت سیمپسون ها با استفاده از LittleVGG Simpsons Character Recognition using LittleVGG

توابع فعال سازی پیشرفته و مقداردهی اولیه Advanced Activation Functions & Initializations

  • فصل مقدمه Chapter Introduction

  • مشکل Dying ReLU و معرفی Leaky ReLU، ELU و PReLU Dying ReLU Problem and Introduction to Leaky ReLU, ELU and PReLUs

  • اولیه سازی های پیشرفته Advanced Initializations

کاربردهای صورت - تشخیص احساسات، سن و جنسیت Facial Applications - Emotion, Age & Gender Recognition

  • فصل مقدمه Chapter Introduction

  • یک آشکارساز عاطفه، بیان چهره بسازید Build an Emotion, Facial Expression Detector

  • احساس/سن/جنسیت را در مانیتور نظارت عمیق ما ایجاد کنید Build Emotion/Age/Gender Recognition in our Deep Surveillance Monitor

تصویربرداری پزشکی - تقسیم بندی تصویر با U-Net Medical Imaging - Image Segmentation with U-Net

  • مروری بر بخش بندی تصویر و تصویربرداری پزشکی در U-Net Chapter Overview on Image Segmentation & Medical Imaging in U-Net

  • Segmentation چیست؟ و کاربردها در تصویربرداری پزشکی What is Segmentation? And Applications in Medical Imaging

  • U-Net: تقسیم بندی تصویر با CNN U-Net: Image Segmentation with CNNs

  • متریک تقاطع روی اتحادیه (IoU). The Intersection over Union (IoU) Metric

  • یافتن هسته ها در تصاویر واگرا Finding the Nuclei in Divergent Images

اصول تشخیص اشیا Principles of Object Detection

  • فصل مقدمه Chapter Introduction

  • معرفی تشخیص شی - ویندوز کشویی با HOG Object Detection Introduction - Sliding Windows with HOGs

  • R-CNN، Fast R-CNN، Faster R-CNN و Mask R-CNN R-CNN, Fast R-CNN, Faster R-CNN and Mask R-CNN

  • آشکارسازهای تک شات (SSD) Single Shot Detectors (SSDs)

  • YOLO به YOLOv3 YOLO to YOLOv3

TensorFlow Object Detection API TensorFlow Object Detection API

  • فصل مقدمه Chapter Introduction

  • نصب و راه اندازی TFOD API TFOD API Install and Setup

  • با ResNet SSD روی تصاویر، وب کم و ویدیوها آزمایش کنید Experiment with a ResNet SSD on images, webcam and videos

  • چگونه یک مدل TFOD را آموزش دهیم How to Train a TFOD Model

تشخیص اشیا با YOLO و Darkflow: یک آشکارساز علائم زیرزمینی لندن بسازید Object Detection with YOLO & Darkflow: Build a London Underground Sign Detector

  • فصل مقدمه Chapter Introduction

  • راه اندازی و نصب Yolo DarkNet و DarkFlow Setting up and install Yolo DarkNet and DarkFlow

  • با YOLO روی تصاویر ثابت، وب کم و ویدیوها آزمایش کنید Experiment with YOLO on still images, webcam and videos

  • آشکارساز شی YOLO خود را بسازید - تشخیص علائم زیرزمینی لندن Build your own YOLO Object Detector - Detecting London Underground Signs

DeepDream & Neural Style Transfers: Art Generated AI DeepDream & Neural Style Transfers: Make AI Generated Art

  • فصل مقدمه Chapter Introduction

  • DeepDream – چگونه هوش مصنوعی هنر را آغاز کرد DeepDream – How AI Generated Art All Started

  • انتقال سبک عصبی Neural Style Transfer

شبکه های متخاصم مولد (GANs): شبیه سازی چهره های پیر Generative Adversarial Networks (GANs): Simulate Aging Faces

  • بررسی اجمالی فصل شبکه های عصبی متخاصم مولد Generative Adverserial Neural Networks Chapter Overview

  • مقدمه ای بر GAN ها Introduction To GANs

  • ریاضیات GAN ها Mathematics of GANs

  • پیاده سازی GAN در کراس Implementing GANs in Keras

  • GAN پیری صورت Face Aging GAN

تشخیص چهره با VGGFace Face Recognition with VGGFace

  • تشخیص چهره اولیه با استفاده از LittleVGG CNN Basic Face Recognition using LittleVGG CNN

  • تطبیق چهره با VGGFace Face Matching with VGGFace

  • تشخیص چهره با استفاده از وب کم و شناسایی شخصیت های نمایش تلویزیونی دوستان در ویدیو Face Recognition using WebCam & Identifying Friends TV Show Characters in Video

دنیای کامپیوتر ویژن The Computer Vision World

  • فصل مقدمه Chapter Introduction

  • فصل مقدمه Chapter Introduction

  • چارچوب های جایگزین: PyTorch، MXNet، Caffe، Theano و OpenVINO Alternative Frameworks: PyTorch, MXNet, Caffe, Theano & OpenVINO

  • APIهای محبوب Google، Microsoft، ClarifAI Amazon Rekognition و دیگران Popular APIs Google, Microsoft, ClarifAI Amazon Rekognition and others

  • کنفرانس های محبوب کامپیوتر ویژن و یافتن مجموعه داده ها Popular Computer Vision Conferences & Finding Datasets

  • ساخت یک ماشین یادگیری عمیق در مقابل پردازنده‌های گرافیکی ابری Building a Deep Learning Machine vs. Cloud GPUs

جایزه - یک خواننده شماره کارت اعتباری بسازید BONUS - Build a Credit Card Number Reader

  • مرحله 1 - ایجاد مجموعه داده شماره کارت اعتباری Step 1 - Creating a Credit Card Number Dataset

  • مرحله 2 - آموزش مدل ما Step 2 - Training Our Model

  • مرحله 3 - استخراج یک کارت اعتباری از پس زمینه Step 3 - Extracting A Credit Card from the Background

  • مرحله 4 - از مدل خود برای شناسایی ارقام و نمایش آن بر روی کارت اعتباری خود استفاده کنید Step 4 - Use our Model to Identify the Digits & Display it onto our Credit Card

جایزه - از پردازنده‌های گرافیکی ابری در PaperSpace استفاده کنید BONUS - Use Cloud GPUs on PaperSpace

  • چرا از پردازنده‌های گرافیکی ابری و نحوه راه‌اندازی یک نوت‌بوک Gradient PaperSpace استفاده کنیم؟ Why use Cloud GPUs and How to Setup a PaperSpace Gradient Notebook

  • آموزش AlexNet در PaperSpace Train a AlexNet on PaperSpace

جایزه - با استفاده از Flask و AWS یک Computer Vision API و برنامه وب ایجاد کنید BONUS - Create a Computer Vision API & Web App Using Flask and AWS

  • Flask را نصب و اجرا کنید Install and Run Flask

  • اجرای برنامه وب کامپیوتر Vision خود در Flask به صورت محلی Running Your Computer Vision Web App on Flask Locally

  • اجرای API کامپیوتر شما Running Your Computer Vision API

  • راه اندازی یک حساب AWS Setting Up An AWS Account

  • راه‌اندازی نمونه AWS EC2 و نصب Keras، TensorFlow، OpenCV و Flask Setting Up Your AWS EC2 Instance & Installing Keras, TensorFlow, OpenCV & Flask

  • تغییر گروه امنیتی EC2 Changing your EC2 Security Group

  • استفاده از FileZilla برای انتقال فایل ها به نمونه EC2 Using FileZilla to transfer files to your EC2 Instance

  • اجرای برنامه وب CV خود در EC2 Running your CV Web App on EC2

  • اجرای CV API خود در EC2 Running your CV API on EC2

نمایش نظرات

آموزش Deep Learning Computer Vision™ CNN، OpenCV، YOLO، SSD و GAN
جزییات دوره
14 hours
178
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
14,561
4.3 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rajeev D Ratan Rajeev D Ratan

دانشمند داده، کارشناس بینایی کامپیوتر و مهندس برق