تسلط بر تقسیم بندی تصویر با PyTorch با استفاده از پروژه های دنیای واقعی [ویدئو]

Mastering Image Segmentation with PyTorch using Real-World Projects [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تقسیم بندی تصویر یک فناوری کلیدی در زمینه بینایی رایانه است که رایانه ها را قادر می سازد محتوای یک تصویر را در سطح پیکسل درک کنند. کاربردهای متعددی از جمله وسایل نقلیه خودران، تصویربرداری پزشکی و واقعیت افزوده دارد. شما با کاوش در کنترل تانسور، محاسبه گرادیان خودکار با autograd، و اصول آموزش مدل PyTorch شروع خواهید کرد. همانطور که پیشرفت می کنید، پایه ای قوی خواهید ساخت که موضوعات مهمی مانند کار با مجموعه داده ها، بهینه سازی هایپرپارامترها و هنر ذخیره و به کارگیری مدل های خود را پوشش می دهد. با درک قوی از PyTorch، شما به قلب دوره - تقسیم بندی معنایی - شیرجه خواهید زد. شما معماری مدل‌های محبوبی مانند UNet و FPN را بررسی خواهید کرد، پیچیدگی‌های نمونه‌برداری را درک خواهید کرد، تفاوت‌های ظریف توابع مختلف ضرر را درک خواهید کرد و در معیارهای ارزیابی ضروری مسلط خواهید شد. علاوه بر این، شما این دانش را در سناریوهای دنیای واقعی به کار خواهید گرفت و یاد خواهید گرفت که چگونه یک مدل تقسیم بندی معنایی را بر روی یک مجموعه داده سفارشی آموزش دهید. این تجربه عملی تضمین می کند که شما نه تنها تئوری را یاد می گیرید، بلکه مهارت هایی را برای مقابله با پروژه های واقعی با اعتماد به نفس به دست می آورید. در پایان دوره، شما قدرت انجام تقسیم بندی معنایی چند کلاسه در مجموعه داده های دنیای واقعی را خواهید داشت. با PyTorch تقسیم بندی معنایی چند کلاسه را پیاده سازی کنید معماری‌های UNet و FPN را برای تقسیم‌بندی تصویر کاوش کنید تکنیک های نمونه برداری و اهمیت آنها در یادگیری عمیق را درک کنید تئوری پشت توابع ضرر و معیارهای ارزیابی را بیاموزید برای تغییر شکل ورودی ها به فرمت مناسب، آماده سازی داده کارآمد را انجام دهید ایجاد یک کلاس مجموعه داده سفارشی برای تقسیم‌بندی تصویر در PyTorch این دوره برای مخاطبان متنوع طراحی شده است و آن را برای افراد تازه وارد و افراد با تجربه در زمینه بینایی رایانه قابل دسترسی می‌سازد. اگر توسعه‌دهنده مشتاقی هستید که مشتاق بررسی بخش‌بندی تصویر هستید یا دانشمند داده‌ای هستید که قصد دارد کارنامه یادگیری عمیق خود را گسترش دهد، این دوره برای شما مناسب است. در حالی که هیچ دانش قبلی برای تقسیم بندی تصویر مورد نیاز نیست، درک اساسی پایتون ضروری است. آشنایی با مفاهیم یادگیری ماشین مفید خواهد بود. مفاهیم کلیدی از تانسورها تا مدل‌های تقسیم‌بندی پیشرفته را درک کنید * پروژه‌های تقسیم‌بندی تصویر در دنیای واقعی را با اطمینان اجرا کنید * ایده‌آل برای مبتدیان و علاقه‌مندان به بینایی رایانه با تجربه

سرفصل ها و درس ها

نمای کلی دوره و راه اندازی Course Overview and Setup

  • تقسیم بندی تصویر (101) Image Segmentation (101)

  • محدوده دوره Course Scope

  • راه اندازی سیستم System Setup

  • نحوه دریافت مواد How to Get the Material

  • راه اندازی محیط کوندا Conda Environment Setup

مقدمه PyTorch (Refresher) PyTorch Introduction (Refresher)

  • نمای کلی بخش مدلسازی Modelling Section Overview

  • مقدمه PyTorch (101) PyTorch Introduction (101)

  • مقدمه تانسور Tensor Introduction

  • از تانسورها تا نمودارهای محاسباتی (101) From Tensors to Computational Graphs (101)

  • تانسور (کدگذاری) Tensor (Coding)

  • رگرسیون خطی از ابتدا (کدگذاری، آموزش مدل) Linear Regression from Scratch (Coding, Model Training)

  • رگرسیون خطی از ابتدا (کدگذاری، ارزیابی مدل) Linear Regression from Scratch (Coding, Model Evaluation)

  • کلاس مدل (کدگذاری) Model Class (Coding)

  • تمرین - میزان یادگیری و تعداد دوره ها Exercise - Learning Rate and Number of Epochs

  • راه حل - میزان یادگیری و تعداد دوره ها Solution - Learning Rate and Number of Epochs

  • دسته (101) Batches (101)

  • دسته (کدگذاری) Batches (Coding)

  • مجموعه داده ها و بارگذارهای داده (101) Datasets and Dataloaders (101)

  • مجموعه داده ها و بارگذارهای داده (کدگذاری) Datasets and Dataloaders (Coding)

  • ذخیره و بارگیری مدل ها (101) Saving and Loading Models (101)

  • ذخیره و بارگذاری مدل ها (کدگذاری) Saving and Loading Models (Coding)

  • آموزش مدل (101) Model Training (101)

  • تنظیم فراپارامتر (101) Hyperparameter Tuning (101)

  • تنظیم فراپارامتر (کدگذاری) Hyperparameter Tuning (Coding)

شبکه های عصبی کانولوشن (Refresher) Convolutional Neural Networks (Refresher)

  • CNN مقدمه (101) CNN Introduction (101)

  • CNN (تعاملی) CNN (Interactive)

  • پیش پردازش تصویر (101) Image Preprocessing (101)

  • پیش پردازش تصویر (کدگذاری) Image Preprocessing (Coding)

  • محاسبات لایه (101) Layer Calculations (101)

  • محاسبات لایه (کدگذاری) Layer Calculations (Coding)

تقسیم بندی معنایی Semantic Segmentation

  • معماری (101) Architecture (101)

  • نمونه برداری (101) Upsampling (101)

  • توابع از دست دادن (101) Loss Functions (101)

  • معیارهای ارزیابی (101) Evaluation Metrics (101)

  • مقدمه کدگذاری (101) Coding Introduction (101)

  • مقدمه آماده سازی داده (101) Data Prep Introduction (101)

  • آماده سازی داده I - ایجاد پوشه ها (کدگذاری) Data Prep I - Create Folders (Coding)

  • Data Prep II - Patch Function (کدگذاری) Data Prep II - Patches Function (Coding)

  • Data Prep III - ایجاد همه Patch-Images (Coding) Data Prep III - Create All Patch-Images (Coding)

  • مدلسازی - مجموعه داده (کدگذاری) Modelling - Dataset (Coding)

  • مدلسازی - راه اندازی مدل (کدگذاری) Modelling - Model Setup (Coding)

  • مدلسازی - حلقه آموزشی (کدنویسی) Modelling - Training Loop (Coding)

  • مدلسازی - ضرر و زیان (کدگذاری) Modelling - Losses and Saving (Coding)

  • ارزیابی مدل - معیارهای محاسبه (کدگذاری) Model Evaluation - Calc Metrics (Coding)

  • ارزیابی مدل - بررسی پیش‌بینی (کدگذاری) Model Evaluation - Check Prediction (Coding)

نمایش نظرات

تسلط بر تقسیم بندی تصویر با PyTorch با استفاده از پروژه های دنیای واقعی [ویدئو]
جزییات دوره
5 h 5 m
45
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Bert Gollnick
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Bert Gollnick Bert Gollnick

دانشمند داده