آموزش تسلط بر بخش‌بندی تصویر با پایتورچ - آخرین آپدیت

دانلود Mastering Image Segmentation with PyTorch

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

با آموزش عملی و پروژه‌های واقعی، هنر سگمنتیشن تصویر را با پایتورچ (PyTorch) بیاموزید.

  • پیاده‌سازی سگمنتیشن معنایی چندکلاسه با PyTorch روی مجموعه‌داده‌های واقعی
  • آشنایی با معماری‌هایی مانند U-Net و FPN
  • درک مبانی نظری، مانند بالا نمونه‌برداری (Upsampling)، توابع زیان (Loss Functions) و معیارهای ارزیابی (Evaluation Metrics)
  • انجام آماده‌سازی داده برای تغییر شکل ورودی‌ها به فرمت مناسب

پیش‌نیازها: دانش پایه پایتون

به دوره "تسلط بر سگمنتیشن تصویر با پایتورچ (PyTorch)" خوش آمدید! در این دوره، هر آنچه را که برای شروع کار با سگمنتیشن تصویر با استفاده از PyTorch نیاز دارید، خواهید آموخت.

سگمنتیشن تصویر یک فناوری کلیدی در حوزه بینایی ماشین و یادگیری عمیق است که کامپیوترها را قادر می‌سازد تا محتوای یک تصویر را در سطح پیکسلی درک کنند. این تکنیک کاربردهای متعددی از جمله در وسایل نقلیه خودران، تصویربرداری پزشکی و واقعیت افزوده دارد.

این دوره برای هر دو گروه مبتدیان و متخصصان در زمینه بینایی ماشین طراحی شده است. اگر مبتدی هستید، از مبانی PyTorch و نحوه استفاده از آن برای مدل‌سازی ساده شروع خواهیم کرد. سپس، نحوه پیاده‌سازی مدل‌های محبوب سگمنتیشن معنایی مانند FPN و U-Net را خواهید آموخت.

در پایان این دوره، مهارت‌ها و دانش لازم را برای انجام پروژه‌های سگمنتیشن معنایی واقعی با استفاده از PyTorch کسب خواهید کرد.

پس چرا منتظر بمانید؟ همین امروز به من بپیوندید و اولین گام را برای تسلط بر سگمنتیشن تصویر با پایتورچ بردارید!

در این دوره به شما آموزش خواهم داد:

  • کار با تنسورها (Tensor Handling)

    • ایجاد و ویژگی‌های خاص تنسورها

    • محاسبه گرادیان خودکار (Autograd)

  • مقدمه‌ای بر مدل‌سازی، شامل:

    • رگرسیون خطی از پایه

    • درک آموزش مدل PyTorch

    • دسته‌ها (Batches)

    • مجموعه داده‌ها و لودکننده‌های داده (Datasets and Dataloaders)

    • تنظیم هایپرپارامترها (Hyperparameter Tuning)

    • ذخیره و بارگذاری مدل‌ها

  • شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)

    • تئوری CNN

    • محاسبه ابعاد لایه

    • تبدیلات تصویر

  • سگمنتیشن معنایی (Semantic Segmentation)

    • معماری (Architecture)

    • بالا نمونه‌برداری (Upsampling)

    • توابع زیان (Loss Functions)

    • معیارهای ارزیابی (Evaluation Metrics)

    • آموزش یک مدل سگمنتیشن معنایی روی یک مجموعه‌داده سفارشی

همین الان ثبت‌نام کنید تا برخی از جذاب‌ترین تکنیک‌ها را بیاموزید و با مهارت‌های جدید خود به شغل‌تان رونق ببخشید.

با احترام،

برت


سرفصل ها و درس ها

مرور کلی دوره و راه‌اندازی Course Overview & Setup

  • سگمنت‌سازی تصویر (اصول) Image Segmentation (101)

  • محدوده دوره Course Scope

  • راه‌اندازی سیستم System Setup

  • نحوه دسترسی به منابع دوره How to Get The Material

  • راه‌اندازی محیط کاندایی Conda Environment Setup

مقدمه‌ای بر پای‌تورچ (مرور) PyTorch Introduction (Refresher)

  • مقدمه‌ای بر پای‌تورچ (اصول) PyTorch Introduction (101)

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

  • تنسور (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 اپوک‌ها Exercise: Learning Rate and Number of Epochs

  • راه‌حل: نرخ یادگیری و تعداد اپوک‌ها Solution: Learning Rate and Number of Epochs

  • بچ‌ها (اصول) Batches (101)

  • بچ‌ها (کدنویسی) Batches (Coding)

  • دیتاست‌ها و دیتا لودرها (اصول) Datasets and Dataloaders (101)

  • دیتاست‌ها و دیتا لودرها (کدنویسی) Datasets and Dataloaders (Coding)

  • ذخیره و بارگذاری مدل‌ها (اصول) Saving and Loading Models (101)

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

  • آموزش مدل (اصول) Model Training (101)

  • تنظیم هایپرپارامترها (اصول) Hyperparameter Tuning (101)

  • تنظیم هایپرپارامترها (کدنویسی) Hyperparameter Tuning (Coding)

شبکه‌های عصبی کانولوشنی (مرور) Convolutional Neural Networks (Refresher)

  • مقدمه‌ای بر سی‌اِن‌اِن (اصول) CNN Introduction (101)

  • سی‌اِن‌اِن (تعاملی) CNN (Interactive)

  • پیش‌پردازش تصویر (اصول) Image Preprocessing (101)

  • پیش‌پردازش تصویر (کدنویسی) Image Preprocessing (Coding)

  • محاسبات لایه (اصول) Layer Calculations (101)

  • محاسبات لایه (کدنویسی) Layer Calculations (Coding)

سگمنت‌سازی معنایی Semantic Segmentation

  • معماری (اصول) Architecture (101)

  • آپ‌سمپلینگ (اصول) Upsampling (101)

  • توابع زیان (اصول) Loss Functions (101)

  • معیارهای ارزیابی (اصول) Evaluation Metrics (101)

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

  • مقدمه‌ای بر آماده‌سازی داده (اصول) Data Prep Intro (101)

  • آماده‌سازی داده ۱: ایجاد پوشه‌ها (کدنویسی) Data Prep I: create folders (Coding)

  • آماده‌سازی داده ۲: تابع پچ‌ها (کدنویسی) Data Prep II: patches function (Coding)

  • آماده‌سازی داده ۳: ایجاد تمام تصاویر پچ (کدنویسی) Data Prep III: create all patch-images (Coding)

  • مدل‌سازی: دیتاست (کدنویسی) Modeling: Dataset (Coding)

  • مدل‌سازی: راه‌اندازی مدل (کدنویسی) Modeling: Model Setup (Coding)

  • مدل‌سازی: حلقه آموزش (کدنویسی) Modeling: Training Loop (Coding)

  • مدل‌سازی: زیان‌ها و ذخیره‌سازی (کدنویسی) Modeling: Losses and Saving (Coding)

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

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

اطلاعات تکمیلی Additional Information

  • سخنان پایانی Closing Remarks

  • آموزش ویژه Bonus Lecture

نمایش نظرات

آموزش تسلط بر بخش‌بندی تصویر با پایتورچ
جزییات دوره
5 hours
45
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
482
4.1 از 5
دارد
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