لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش بینایی کامپیوتری مدرن و یادگیری عمیق با پایتون و PyTorch
دانلود Modern Computer Vision & Deep Learning with Python & PyTorch
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
بینایی کامپیوتر با پایتون با استفاده از یادگیری عمیق برای طبقهبندی، نمونهسازی و تقسیمبندی معنایی، تشخیص اشیا آموزش دید کامپیوتری و یادگیری عمیق با کاربردهای دنیای واقعی در Python Computer Vision برای طبقهبندی تک و چند برچسبی با Python و Pytorch Vision کامپیوتر برای تقسیمبندی معنایی تصویر با Python و Pytorch Computer Vision برای تقسیمبندی نمونههای تصویر با Python و Pytorch Computer Vision برای تشخیص اشیا با Python و Pytorch آموزش شبکههای عصبی پیچیده عمیق (CNN) برای Computer Vision Google Colab با GPU برای نوشتن کد Python و Pytorch آموزش تقویت دادهها با تبدیلهای تصویر مختلف مجموعههای داده سفارشی برای طبقهبندی تصویر، تقسیمبندی تصویر و شی فراپارامترهای تشخیص بهینه سازی مدل های یادگیری عمیق برای بهبود یادگیری عملکرد معیارهای عملکرد (دقت، IOU، دقت، یادآوری، Fscore) آموزش انتقال با مدلهای از پیش آموزشدیده یادگیری عمیق در مدلهای تقسیمبندی تصویر قطار، طبقهبندی و تشخیص شیء Pytorch در مجموعههای داده سفارشی ارزیابی و استقرار تقسیمبندی تصویر، طبقهبندی تصویر و مدلسازی شیء تشخیص با استفاده از مدل های Detectron2 معرفی شده توسط گروه تحقیقات هوش مصنوعی فیس بوک (FAIR) تشخیص اشیاء را با استفاده از RCNN، RCNN سریع، مدل های سریعتر RCNN با پایتون و پایتورچ انجام می دهد. مجموعه داده سفارشی با Pytorch و Python Perform Image Single و طبقهبندی چند برچسبی با استفاده از مدلهای یادگیری عمیق (ResNet، AlexNet) با پایتورچ و پایتون تجسم نتایج، مجموعههای داده و کد کامل پایتون/پایتورچ برای طبقهبندی، تقسیمبندی و تشخیص اشیا ارائه شده است. و Pytorch در این دوره با پیروی از یک خط لوله کامل از صفر تا تسلط بدون دانش قبلی آموزش داده می شود بینایی کامپیوتر و یادگیری عمیق فرض شده است. همه چیز با آموزش های عملی پوشش داده می شود، برای شروع با Google Colab برای نوشتن Python و PytorchCode یک حساب Google Gmail لازم است.
به دوره "آموزش عمیق بینایی کامپیوتری مدرن با Python PyTorch" خوش آمدید! تصور کنید که بتوانید به کامپیوترها مانند انسان ها دیدن را آموزش دهید. Computer Vision نوعی هوش مصنوعی (AI) است که رایانهها و ماشینها را قادر میسازد تا دنیای بصری را ببینند، درست مانند روشی که انسانها محیط خود را میبینند و درک میکنند. هوش مصنوعی (AI) رایانهها را قادر میسازد تا فکر کنند، در حالی که Vision رایانهها را قادر میسازد تا ببینند، مشاهده کنند و تفسیر کنند. این دوره به ویژه برای ارائه یک تجربه جامع و عملی در به کارگیری تکنیک های یادگیری عمیق برای مشکلات اصلی بینایی کامپیوتر از جمله طبقه بندی تصویر، تقسیم بندی معنایی، تقسیم بندی نمونه و تشخیص اشیا طراحی شده است. در این دوره، شما با مقدمهای بر اصول بینایی کامپیوتر و یادگیری عمیق شروع میکنید و یاد میگیرید که چگونه مدلهای خود را با استفاده از Python و PyTorch برای طبقهبندی تصویر، تقسیمبندی تصویر و شی پیادهسازی، آموزش، آزمایش، ارزیابی و استقرار کنید. شناسایی.
کامپیوتر Vision نقشی حیاتی در توسعه وسایل نقلیه خودران دارد. این وسیله نقلیه را قادر می سازد تا محیط اطراف خود را برای تشخیص و طبقه بندی اشیاء مختلف در محیط، مانند عابران پیاده، وسایل نقلیه، علائم راهنمایی و رانندگی و موانع، درک و درک کند. این به تصمیم گیری آگاهانه برای ناوبری ایمن و کارآمد وسیله نقلیه کمک می کند. Computer Vision برای نظارت و امنیت با استفاده از هواپیماهای بدون سرنشین برای ردیابی فعالیت های مشکوک، مزاحمان و اشیاء مورد علاقه استفاده می شود. این امکان نظارت در زمان واقعی و تشخیص تهدید در فضاهای عمومی، فرودگاه ها، بانک ها و سایر مناطق حساس امنیتی را فراهم می کند. امروزه کاربردهای بینایی کامپیوتری در زندگی روزمره ما بسیار رایج هستند، از جمله تشخیص چهره در دوربین ها و تلفن های همراه، ورود به دستگاه های دارای اثر انگشت و تشخیص چهره، بازی های تعاملی، ام آر آی، سی تی اسکن، جراحی هدایت شده با تصویر و موارد دیگر. این دوره جامع به ویژه برای ارائه تجربه عملی در استفاده از کدنویسی پایتون و پایتورچ برای ساخت، آموزش، آزمایش و استقرار مدلهای خود برای مشکلات اصلی بینایی رایانه از جمله طبقهبندی تصویر، تقسیمبندی تصویر (تقسیمبندی معنایی و تقسیمبندی نمونه) و Object طراحی شده است. تشخیص. بنابراین، آیا آماده هستید تا قدرت بینایی کامپیوتر و یادگیری عمیق را با Python و PyTorch آزاد کنید:
بر تکنیکها و الگوریتمهای پیشرو در زمینه بینایی کامپیوتر مسلط شوید.
در دنیای یادگیری عمیق شیرجه بزنید و با Python و PyTorch، چارچوب پیشرو در صنعت، تجربه عملی کسب کنید.
رازهای پشت ساختن سیستمهای هوشمندی را که میتوانند از دادههای بصری درک، تفسیر و تصمیم بگیرند، کشف کنید.
قفل ایجاد انقلاب در صنایعی مانند مراقبتهای بهداشتی، سیستمهای مستقل، روباتیک و موارد دیگر را باز کنید.
مهارتهای عملی را از طریق پروژههای همهجانبه، برنامههای کاربردی دنیای واقعی، و تمرینهای کدنویسی عملی به دست آورید.
درباره بهترین شیوهها، روندهای صنعت، و جهتگیریهای آینده در بینش رایانه و یادگیری عمیق اطلاعاتی به دست آورید.
آنچه خواهید آموخت:
این دوره کامل را با تجربه عملی وظایف Computer Vision با استفاده از یادگیری عمیق با Python و PyTorch به شرح زیر پوشش می دهد:
مقدمه ای بر بینایی کامپیوتر و یادگیری عمیق با برنامه های کاربردی دنیای واقعی
شبکه های عصبی پیچیده عمیق (CNN) را برای بینایی کامپیوتری بیاموزید
از نوت بوک های Google Colab برای نوشتن کد پایتون و پایتورچ استفاده خواهید کرد.
دو نوع طبقهبندی تصویر را با استفاده از مدلهای یادگیری عمیق با پایتون انجام دهید.
طبقه بندی تک برچسبی.
طبقه بندی چند برچسبی.
میتوانید تکنیکهای آموزش انتقالی را بیاموزید:
آموزش را با تنظیم دقیق مدل انتقال دهید.
آموزش را با استفاده از مدل به عنوان استخراج کننده ویژگی ثابت منتقل کنید.
شما خواهید آموخت که چگونه افزایش داده را انجام دهید.
با تنظیم دقیق مدل Deep Resnet آشنا خواهید شد.
شما یاد خواهید گرفت که چگونه از مدل Deep Resnet به عنوان استخراج کننده ویژگی ثابت استفاده کنید.
بهینه سازی HyperParameters و تجسم نتایج را خواهید آموخت.
تقسیم بندی تصویر معنایی و کاربردهای واقعی آن در خودروهای خودران یا وسایل نقلیه خودران و غیره.
معماری های یادگیری عمیق برای تقسیم بندی معنایی شامل:
UNet و UNet++
شبکه تجزیه صحنه هرمی (PSPNet)،
شبکه توجه هرمی (PAN)،
شبکه متنی چند کاره (MTCNet)،
DeepLabV3 و غیره
مجموعه داده ها و ابزار حاشیه نویسی داده برای بخش بندی معنایی
افزایش داده و بارگذاری داده در PyTorch برای بخش بندی معنایی
معیارهای عملکرد (IOU) برای ارزیابی مدلهای تقسیمبندی
پیادهسازی مدلهای بخشبندی در PyTorch با استفاده از معماریهای مختلف رمزگذار و رمزگشا
بهینه سازی فراپارامترها و آموزش مدل های تقسیم بندی
مدل تقسیمبندی را آزمایش کنید و IOU، IOU بر اساس کلاس، دقت پیکسل، دقت، یادآوری و امتیاز F را محاسبه کنید
نتایج تقسیم بندی را تجسم کنید و نقشه تقسیم بندی پیش بینی شده RGB را ایجاد کنید
تشخیص اشیا را با استفاده از مدلهای یادگیری عمیق با Pytorch بیاموزید
معماری یادگیری عمیق تشخیص اشیا را بیاموزید:
RCNN،
RCNN سریع،
RCNN سریعتر
ماسک RCNN
تشخیص شیء را با RCNN سریع و RCNN سریعتر انجام دهید
معرفی Detectron2 توسط Facebook AI Research (FAIR)
تشخیص شیء را با مدلهای Detectron2 از قبل ایجاد کنید
مجموعه داده های تشخیص شی سفارشی را با حاشیه نویسی کاوش کنید
تشخیص شی را در مجموعه داده سفارشی با استفاده از یادگیری عمیق انجام دهید
آموزش، آزمایش، ارزیابی مدلهای تشخیص اشیاء خود و تجسم نتایج
انجام بخشبندی نمونه با استفاده از Mask RCNN در مجموعه داده سفارشی با Pytorch و Python
چه کسانی باید شرکت کنند:
این دوره برای طیف گسترده ای از دانش آموزان و متخصصان طراحی شده است، از جمله:
مهندسان بینایی کامپیوتر، علاقه مندان به هوش مصنوعی و محققانی که می خواهند یاد بگیرند که چگونه از Python و PyTorch برای ساخت، آموزش و استقرار مدل های یادگیری عمیق برای مشکلات بینایی رایانه استفاده کنند
مهندسان یادگیری ماشین، مهندسان یادگیری عمیق و دانشمندان داده که می خواهند یادگیری عمیق را در وظایف بینایی رایانه اعمال کنند
توسعه دهندگانی که می خواهند قابلیت های Computer Vision و Deep Learning را در پروژه های خود بگنجانند
فارغ التحصیلان و محققان علوم کامپیوتر، مهندسی برق، و سایر زمینه های مرتبط که می خواهند در مورد آخرین پیشرفت های یادگیری عمیق برای بینایی کامپیوتر بیاموزند
به طور کلی، این دوره برای کسانی است که می خواهند یاد بگیرند که چگونه از یادگیری عمیق برای استخراج معنی از داده های بصری استفاده کنند و درک عمیق تری از تئوری و کاربردهای عملی بینایی کامپیوتر با استفاده از Python و PyTorch بدست آورند
این دوره برای علاقه مندان به هوش مصنوعی، دانشمندان داده، مهندسان نرم افزار، محققان و هر کسی که علاقه مند به باز کردن پتانسیل بینایی کامپیوتر و یادگیری عمیق است طراحی شده است. چه یک حرفه ای با تجربه باشید و چه به تازگی سفر خود را شروع کرده اید، این دوره شما را با مهارت ها و دانش مورد نیاز برای برتری در این زمینه به سرعت در حال توسعه مجهز می کند.
به انقلاب رویایی بپیوندید:
این فرصت باورنکردنی را برای پیوستن به انقلاب رویایی در یادگیری عمیق کامپیوتری مدرن از دست ندهید. مجموعه مهارت های خود را گسترش دهید، مرزهای نوآوری را پشت سر بگذارید و سفری متحول کننده را آغاز کنید که درها را به روی امکانات بی حد و حصر باز می کند. در پایان این دوره، دانش و مهارت های مورد نیاز برای شروع به کارگیری Deep Learning برای مشکلات بینایی کامپیوتر از جمله طبقه بندی تصویر، تقسیم بندی تصویر و تشخیص اشیا در کار یا تحقیق خود را خواهید داشت. چه مهندس بینایی کامپیوتر باشید، چه برنامه نویس، این دوره راهی عالی برای ارتقای درک شما از یادگیری عمیق به سطح بعدی است. بیایید این سفر هیجان انگیز یادگیری عمیق برای بینایی کامپیوتر را با Python و PyTorch آغاز کنیم.
می بینمت داخل کلاس!!
سرفصل ها و درس ها
مقدمه دوره
Introduction to Course
مقدمه ای بر دوره بینایی کامپیوتر
Introduction to Computer Vision Course
Computer Vision چیست و کاربردهای آن
What is Computer Vision & its Applications
مقدمه ای بر بینایی کامپیوتر و کاربردهای آن در دنیای واقعی
Introduction to Computer Vision and its Real-world Applications
وظایف اصلی بینایی کامپیوتر
Major Computer Vision Tasks
یادگیری عمیق برای بینایی کامپیوتر
Deep Learning for Computer Vision
مبانی یادگیری عمیق برای بینایی کامپیوتر
Basics of Deep Learning for Computer Vision
بینایی کامپیوتری و شبکه های عصبی کانولوشن عمیق
Computer Vision and Deep Convolutional Neural Networks
بینایی کامپیوتر با استفاده از شبکه های عصبی کانولوشن (CNN)
Computer Vision using Convolutional Neural Networks (CNN)
راه اندازی Google Colab برای نوشتن کد پایتون
Setting-up Google Colab for Writing Python Code
کدگذاری معماری شبکه عصبی کانولوشنال از ابتدا
Coding Convolutional Neural Network Architecture from Scratch
بهینه سازی فراپارامترهای شبکه های عصبی کانولوشنال
Convolutional Neural Networks HyperParameters Optimization
آموزش شبکه عصبی کانولوشن از ابتدا
Training Convolutional Neural Network from Scratch
محاسبه دقت، دقت، یادآوری و تجسم ماتریس سردرگمی
Calculate Accuracy, Precision, Recall and Visualize Confusion Matrix
منابع: کد کامل برای CNN از ابتدا با پایتون و پایتورچ
Resources: Complete Code for CNN from Scratch with Python and Pytorch
وظیفه طبقه بندی تصاویر کامپیوتر ویژن با پایتون و پایتون
Image Classification Task of Computer Vision with Pytoch and Python
طبقه بندی تصاویر با شبکه های عصبی کانولوشن عمیق با استفاده از پایتون
Image Classification with Deep Convolutional Neural Networks using Python
منابع: کد طبقهبندی تصویر با Deep CNN از ابتدا
Resources: Code for Image Classification with Deep CNN from Scratch
مدل های از پیش آموزش دیده برای طبقه بندی تصاویر تک و چند برچسبی
Pretrained Models for Single and Multi-Label Image Classification
مقدمه ای بر مدل های از پیش آموزش دیده
Introduction to Pretrained Models
Deep Learning ResNet و AlexNet Architectures
Deep Learning ResNet and AlexNet Architectures
دسترسی به داده ها از Google Drive به Colab
Access Data from Google Drive to Colab
پیش پردازش داده ها برای طبقه بندی تصویر
Data Preprocessing for Image Classification
طبقه بندی تصاویر تک برچسبی با استفاده از مدل های از پیش آموزش دیده ResNet و AlexNet
Single-Label Image Classification using ResNet and AlexNet PreTrained Models
طبقه بندی تک برچسب کد پایتون و پایتورچ
Single Label Classification Python and Pytorch Code
طبقه بندی تصاویر چند برچسبی با استفاده از مدل های یادگیری عمیق
Multi-Label Image Classification using Deep Learning Models
ردهبندی چند برچسبی کد پایتون و PyTorch
Multi-Label Classification Python and PyTorch Code
آموزش انتقال برای طبقه بندی تصویر
Transfer Learning for Image Classification
مقدمه ای بر یادگیری انتقالی
Introduction to Transfer Learning
مجموعه داده، افزایش داده و بارگذارهای داده
Dataset, Data Augmentation, and Dataloaders
مجموعه داده برای طبقه بندی
Dataset for Classification
FineTuning مدل Deep ResNet
FineTuning Deep ResNet Model
بهینه سازی HyperParameteres برای مدل
HyperParameteres Optimization for Model
آموزش مدل Deep ResNet
Training Deep ResNet Model
استخراج ویژگی ثابت با استفاده از ResNet
Fixed Feature Extractraction using ResNet
بهینه سازی مدل، آموزش و تجسم نتایج
Model Optimization, Training and Results Visualization
کد پایتون را برای آموزش انتقال و مجموعه داده کامل کنید
Complete Python Code for Transfer Learning and Dataset
نمایش نظرات