آموزش تشخیص اشیاء و بینایی ماشین با پایتون - آخرین آپدیت
دانلود Object Detection and Computer Vision with Python
به دوره آموزش تشخیص اشیاء و بینایی ماشین با پایتون خوش آمدید. این یک دوره پروژه محور است که در آن یاد میگیرید چگونه چندین پروژه بینایی ماشین را با استفاده از پایتون و فریمورکهای پیشرفته یادگیری عمیق بسازید. در طول این دوره، نحوه عملکرد سیستمهای تشخیص اشیاء و طبقهبندی تصاویر را بررسی خواهید کرد و تجربه عملی با ابزارهایی مانند PyTorch، Keras، شبکههای عصبی پیچشی (CNN)، U-Net، YOLO، SSD، Faster R-CNN و DETR ResNet کسب میکنید. این دوره مفاهیم برنامهنویسی و بینایی ماشین را ترکیب میکند و به شما اجازه میدهد همزمان با یادگیری نحوه توسعه و بهکارگیری سیستمهای تشخیص بصری در سناریوهای واقعی، مهارتهای پایتون خود را تقویت کنید. در بخش مقدمه، مفاهیم پایه تشخیص اشیاء و طبقهبندی تصاویر را میآموزید و درک خواهید کرد که این سیستمها چگونه تصاویر را گام به گام تحلیل میکنند. در بخش بعدی، نحوه یافتن و دانلود مجموعهدادهها (Datasets) از Kaggle، پلتفرمی که دادههای بسیاری برای پروژههای یادگیری ماشین و بینایی ماشین ارائه میدهد را یاد میگیرید. پیش از شروع پروژهها، مبانی بینایی ماشین را با استفاده از OpenCV، از جمله نحوه فعالسازی دوربین و پردازش ورودیهای تصویری خواهید آموخت. پس از آن، وارد بخش پروژهها میشویم. ابتدا یاد میگیرید چگونه یک سیستم تشخیص اشیاء را با استفاده از Faster R-CNN، SSD، YOLO و Detection Transformers ResNet بسازید. این مدلهای پیشآموزشدیده به شما اجازه میدهند بدون نیاز به آموزش مدل از صفر، اشیاء را در تصاویر تشخیص داده و طبقهبندی کنید. در ادامه، یک مدل تشخیص نقص تولید را با استفاده از Keras و شبکههای عصبی پیچشی برای تشخیص وجود نقص در تصاویر محصولات میسازید. سپس در پروژه بعدی، یک سیستم طبقهبندی زباله را با استفاده از Keras و CNN برای تشخیص زبالههای ارگانیک و غیرارگانیک بر اساس ورودی تصویر طراحی میکنید. پس از آن، نحوه ساخت مدل بخشبندی تصویر (Image Segmentation) برای تشخیص جادههای تخریب شده را با معماری U-Net، که معمولاً برای کارهای بخشبندی در سطح پیکسل استفاده میشود، خواهید آموخت. در پایان دوره، سیستمها را با استفاده از ورودیهای مختلف مانند تصاویر و ویدیوهای کوتاه تست میکنید تا عملکرد مدلها را در سناریوهای مختلف مشاهده کنید.
قبل از شروع پروژهها، درک این نکته که چرا یادگیری تشخیص اشیاء و طبقهبندی تصاویر بسیار مفید است، اهمیت دارد. بسیاری از کارهای مربوط به تحلیل دادههای بصری در صورت انجام دستی، بسیار زمانبر هستند. مدلهای بینایی ماشین به سیستمها اجازه میدهند تصاویر را تحلیل کرده و الگوها را به صورت خودکار شناسایی کنند که این امر در کارهایی مانند بازرسی محصول، تفکیک زباله و نظارت بر زیرساختها کمککننده است. یادگیری نحوه عملکرد این سیستمها به توسعهدهندگان کمک میکند تا بفهمند یادگیری ماشین چگونه به طور موثر بر روی دادههای بصری اعمال میشود.
در ادامه مواردی که در این دوره خواهید آموخت آورده شده است:
- آموزش فعالسازی دوربین با استفاده از OpenCV
- آموزش ساخت سیستم تشخیص اشیاء با استفاده از Pytorch، SSD، Faster R-CNN، YOLOv و DETR ResNet
- آموزش ساخت سیستم تشخیص نقص تولید با استفاده از Keras، شبکه عصبی پیچشی و OpenCV
- آموزش ساخت سیستم طبقهبندی زباله با استفاده از Keras، شبکه عصبی پیچشی و OpenCV
- آموزش ساخت سیستم تشخیص جادههای تخریب شده با استفاده از U-Net و OpenCV
درسها Lessons
-
مقدمه Introduction
-
ابزارها، IDE و مجموعهدادهها Tools, IDE, and Datasets
-
فعالسازی دوربین با استفاده از OpenCV Activating Camera Using OpenCV
-
یافتن و دانلود مجموعهدادهها از Kaggle Finding & Downloading Datasets From Kaggle
-
ساخت سیستم تشخیص اشیاء با Pytorch و SSD Building Object Detection System with Pytorch & SSD
-
ساخت سیستم تشخیص اشیاء با Pytorch و Faster R CNN Building Object Detection System with Pytorch & Faster R CNN
-
ساخت سیستم تشخیص اشیاء با YOLOv Building Object Detection System with YOLOv
-
ساخت سیستم تشخیص اشیاء با DETR ResNet Building Object Detection System with DETR ResNet
-
ساخت مدل تشخیص نقص تولید با Keras و CNN Building Manufacturing Defect Detection Model with Keras & CNN
-
ساخت سیستم تشخیص نقص تولید با OpenCV Building Manufacturing Defect Detection System with OpenCV
-
تست سیستم تشخیص نقص تولید Testing Manufacturing Defect Detection System
-
ساخت مدل طبقهبندی زباله با Keras و CNN Building Waste Classification Model with Keras & CNN
-
ساخت سیستم طبقهبندی زباله با OpenCV Building Waste Classification System with OpenCV
-
تست سیستم طبقهبندی زباله Testing Waste Cassification System
-
ساخت مدل بخشبندی تصویر جاده تخریب شده با U Net Building Broken Road Image Segmentation Model with U Net
-
ساخت سیستم تشخیص جاده تخریب شده با OpenCV Building Broken Road Detection System with OpenCV
-
تست سیستم تشخیص جاده تخریب شده Testing Broken Road Detection System
-
جمعبندی و نتیجهگیری Conclusion & Summary
https://donyad.com/d/abbff4
Chris Raharja
دانشمند داده و علاقه مندان به هوش مصنوعی
سلام، من کریس هستم. تخصص من در علم داده، یادگیری ماشین، هوش مصنوعی مولد، تجارت الکترونیک و طراحی وب است. من از دانشگاه واشنگتن با مدرک لیسانس ریاضی فارغ التحصیل شدم و به عنوان مشاور ریسک فناوری در یکی از چهار شرکت بزرگ تجربه دارم. اشتیاق من به تدریس به عنوان معلم خصوصی ریاضی در دبیرستان شروع شد و همچنان به شکوفایی ادامه داد. هدف من این است که مهارت هایم را به اشتراک بگذارم و جامعه ای پر جنب و جوش بسازم که در آن بتوانیم طیف گسترده ای از موضوعات را با هم کاوش کنیم و در مورد آنها بیاموزیم.
نمایش نظرات