آموزش تسلط بر بخش‌بندی تصاویر (Image Segmentation) با PyTorch و پروژه‌های عملی [ویدئویی] - آخرین آپدیت

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

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: با این دوره جامع که تئوری را با مهارت‌های عملی ادغام کرده است، پتانسیل بخش‌بندی تصاویر را آزاد کنید. آموزش با ایجاد یک پایه قوی در PyTorch و اصول بخش‌بندی تصاویر، راه‌اندازی محیط و بررسی مفاهیم بنیادی تنسورها، مجموعه‌داده‌ها و شبکه‌های عصبی آغاز می‌شود. ماژول‌های ابتدایی، انتقال بی‌نقص برای یادگیرندگان در تمامی سطوح را تضمین کرده و راهنمایی‌های دقیقی در مورد پیش‌پردازش داده‌ها و تنظیمات مدل ارائه می‌دهند. سپس به مباحث پیشرفته وارد می‌شویم و در بخش‌بندی معنایی (Semantic Segmentation) عمیق شده و معماری‌های پیشرفته‌ای مانند UNet و Feature Pyramid Network را بررسی می‌کنیم. تکنیک‌های ضروری مانند Upsampling، توابع زیان (Loss Functions) و معیارهای ارزیابی را بیاموزید تا بتوانید مدل‌ها را برای رسیدن به بالاترین دقت بهینه کنید. این دوره با تمرکز بر پروژه‌های واقعی، مانند بخش‌بندی تصاویر ماهواره‌ای، بر کاربردهای عملی تأکید کرده و شکاف بین تئوری و نیازهای صنعت را پر می‌کند. رویکرد عملی این دوره با آموزش و ارزیابی مدل، با تمرکز بر معیارهایی مانند دقت پیکسلی (Pixel Accuracy) و Intersection over Union (IoU) به اوج خود می‌رسد. شما تجربه راه‌اندازی حلقه‌های آموزشی، تنظیم هایپرپارامترها و ذخیره‌سازی مدل‌ها برای استفاده‌های آتی را کسب خواهید کرد. در پایان دوره، ابزارها و تکنیک‌های لازم برای مقابله با چالش‌های پیچیده بخش‌بندی را با اعتماد به نفس کامل فرا خواهید گرفت. - ساخت بهینه مدل‌های بخش‌بندی تصویر با استفاده از PyTorch - اعمال تکنیک‌های پیش‌پردازش برای آماده‌سازی مجموعه‌داده‌های تصویری برای یادگیری ماشین - پیاده‌سازی شبکه‌های عصبی برای وظایف پیچیده بخش‌بندی - بهینه‌سازی عملکرد مدل با روش‌های تنظیم هایپرپارامتر - ارزیابی مدل‌های بخش‌بندی با استفاده از معیارهای IoU و دقت پیکسلی - عیب‌یابی و ارتقای خط لوله‌های آموزش مدل برای افزایش دقت این دوره برای دانشمندان داده، علاقه‌مندان به هوش مصنوعی و متخصصان یادگیری ماشین که مشتاق تخصص در بخش‌بندی تصاویر هستند، طراحی شده است. داشتن دانش قبلی در مورد پایتون، مفاهیم پایه یادگیری ماشین و آشنایی با PyTorch توصیه می‌شود. - پوشش جامع PyTorch و تکنیک‌های پیشرفته بخش‌بندی تصویر - پروژه‌های واقعی با تمرکز بر کاربردهای عملی در حوزه‌های مختلف - راهنمای گام‌به‌گام آموزش مدل، ارزیابی و استراتژی‌های استقرار

سرفصل ها و درس ها

بررسی کلی دوره و راه‌اندازی Course Overview and Setup

  • بخش‌بندی تصویر (مبانی) Image Segmentation (101)

  • دامنه و اهداف دوره Course Scope

  • راه‌اندازی سیستم System Setup

  • نحوه دریافت مطالب How to Get the Material

  • راه‌اندازی محیط Conda Conda Environment Setup

مقدمه‌ای بر PyTorch (مرور کلی) PyTorch Introduction (Refresher)

  • بررسی کلی بخش مدل‌سازی Modelling Section Overview

  • مقدمه‌ای بر PyTorch (مبانی) PyTorch Introduction (101)

  • مقدمه‌ای بر تنسورها Tensor Introduction

  • از تنسورها تا گراف‌های محاسباتی (مبانی) From Tensors to Computational Graphs (101)

  • تنسورها (کدنویسی) Tensor (Coding)

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

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

  • کلاس مدل (کدنویسی) Model Class (Coding)

  • تمرین: نرخ یادگیری و تعداد Epochها Exercise - Learning Rate and Number of Epochs

  • پاسخ تمرین: نرخ یادگیری و تعداد Epochها Solution - Learning Rate and Number of Epochs

  • دسته‌های داده یا Batches (مبانی) Batches (101)

  • دسته‌های داده یا Batches (کدنویسی) Batches (Coding)

  • مجموعه‌داده‌ها و Dataloaders (مبانی) Datasets and Dataloaders (101)

  • مجموعه‌داده‌ها و Dataloaders (کدنویسی) Datasets and Dataloaders (Coding)

  • ذخیره‌سازی و بارگذاری مدل‌ها (مبانی) Saving and Loading Models (101)

  • ذخیره‌سازی و بارگذاری مدل‌ها (کدنویسی) Saving and Loading Models (Coding)

  • آموزش مدل (مبانی) Model Training (101)

  • تنظیم هایپرپارامترها (مبانی) Hyperparameter Tuning (101)

  • تنظیم هایپرپارامترها (کدنویسی) Hyperparameter Tuning (Coding)

شبکه‌های عصبی پیچشی یا CNN (مرور کلی) Convolutional Neural Networks (Refresher)

  • مقدمه‌ای بر CNN (مبانی) CNN Introduction (101)

  • شبکه CNN (تعاملی) CNN (Interactive)

  • پیش‌پردازش تصاویر (مبانی) Image Preprocessing (101)

  • پیش‌پردازش تصاویر (کدنویسی) Image Preprocessing (Coding)

  • محاسبات لایه‌ها (مبانی) Layer Calculations (101)

  • محاسبات لایه‌ها (کدنویسی) Layer Calculations (Coding)

بخش‌بندی معنایی (Semantic Segmentation) Semantic Segmentation

  • معماری مدل (مبانی) Architecture (101)

  • بزرگ‌نمایی یا Upsampling (مبانی) Upsampling (101)

  • توابع زیان یا Loss Functions (مبانی) Loss Functions (101)

  • معیارهای ارزیابی (مبانی) Evaluation Metrics (101)

  • مقدمه‌ای بر کدنویسی (مبانی) Coding Introduction (101)

  • مقدمه‌ای بر آماده‌سازی داده‌ها (مبانی) Data Prep Introduction (101)

  • آماده‌سازی داده‌ها ۱: ایجاد پوشه‌ها (کدنویسی) Data Prep I - Create Folders (Coding)

  • آماده‌سازی داده‌ها ۲: تابع ایجاد تکه‌ها یا Patches (کدنویسی) Data Prep II - Patches Function (Coding)

  • آماده‌سازی داده‌ها ۳: ایجاد تمامی تصاویر تکه‌ای (کدنویسی) Data Prep III - Create All Patch-Images (Coding)

  • مدل‌سازی: مجموعه‌داده (کدنویسی) Modelling - Dataset (Coding)

  • مدل‌سازی: تنظیمات مدل (کدنویسی) Modelling - Model Setup (Coding)

  • مدل‌سازی: حلقه آموزش (کدنویسی) Modelling - Training Loop (Coding)

  • مدل‌سازی: توابع زیان و ذخیره‌سازی (کدنویسی) Modelling - Losses and Saving (Coding)

  • ارزیابی مدل: محاسبه معیارها (کدنویسی) Model Evaluation - Calc Metrics (Coding)

  • ارزیابی مدل: بررسی پیش‌بینی‌ها (کدنویسی) Model Evaluation - Check Prediction (Coding)

نمایش نظرات

آموزش تسلط بر بخش‌بندی تصاویر (Image Segmentation) با PyTorch و پروژه‌های عملی [ویدئویی]
جزییات دوره
5h 5m
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