🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق برای تقسیمبندی تصویر با پایتون و پایتورچ
- آخرین آپدیت
دانلود Deep Learning for Image Segmentation with Python & Pytorch
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش جامع تقسیمبندی معنایی تصویر برای بینایی ماشین با پایتورچ و پایتون: ساخت و استقرار مدلهای اختصاصی (UNet, DeepLab)
یادگیری پایپلاین کامل تقسیمبندی معنایی تصویر و کاربردهای واقعی آن با پایتون و پایتورچ
معماریهای یادگیری عمیق برای تقسیمبندی معنایی (UNet, DeepLabV3, PSPNet, PAN, UNet++, MTCNet و غیره)
تقسیمبندی با مدلهای از پیش آموزشدیده پایتورچ (FCN, DeepLabV3) بر روی مجموعه داده COCO
انجام تقسیمبندی تصویر با مدلهای یادگیری عمیق بر روی مجموعه دادههای سفارشی
مجموعه دادهها و ابزارهای حاشیهنویسی داده برای تقسیمبندی معنایی
پیادهسازی افزایش داده (Data Augmentation) و بارگذاریکنندههای داده (Data Loaders) در پایتورچ
یادگیری معیارهای عملکرد (مانند IOU) برای ارزیابی مدلهای تقسیمبندی
یادگیری انتقالی و معماری Resnet عمیق از پیش آموزشدیده
پیادهسازی مدلهای تقسیمبندی (UNet, PSPNet, DeepLab, PAN, UNet++) در پایتورچ با استفاده از معماریهای مختلف رمزگذار و رمزگشا
یادگیری بهینهسازی هایپرپارامترها برای مدلهای تقسیمبندی به منظور بهبود عملکرد در طول آموزش بر روی مجموعه دادههای سفارشی
آزمایش مدل تقسیمبندی آموزشدیده و محاسبه IOU، IOU کلاسمحور، دقت پیکسلی، دقت، فراخوانی و امتیاز F
تصویرسازی نتایج تقسیمبندی و تولید نقشه تقسیمبندی خروجی پیشبینیشده RGB
پیشنیازهای دوره:
یادگیری عمیق برای تقسیمبندی معنایی با پایتون و پایتورچ در این دوره با دنبال کردن یک پایپلاین کامل از صفر تا صد آموزش داده میشود.
هیچ دانش قبلی در مورد تقسیمبندی معنایی فرض نشده است. همه چیز با آموزش عملی پوشش داده خواهد شد.
برای شروع کار با گوگل کولب (Google Colab) جهت کدنویسی پایتون، یک حساب جیمیل گوگل مورد نیاز است.
این دوره به گونهای طراحی شده است که یک تجربه جامع و عملی در به کارگیری تکنیکهای یادگیری عمیق (Deep Learning) برای مسائل تقسیمبندی معنایی تصویر (Semantic Image Segmentation) ارائه دهد. آیا آمادهاید تا درک خود از یادگیری عمیق را به سطح بعدی ببرید و نحوه به کارگیری آن را در مشکلات و کاربردهای دنیای واقعی بیاموزید؟ در این دوره، یاد خواهید گرفت که چگونه از قدرت یادگیری عمیق برای تقسیمبندی تصاویر و استخراج معنا از دادههای بصری استفاده کنید. با مقدمهای بر اصول تقسیمبندی معنایی با استفاده از یادگیری عمیق، شروع خواهید کرد، سپس به پیادهسازی و آموزش مدلهای اختصاصی خود برای تقسیمبندی معنایی با پایتون (Python) و پایتورچ (PyTorch) خواهید پرداخت.
این دوره برای طیف گستردهای از دانشجویان و متخصصان طراحی شده است، از جمله اما نه محدود به:
مهندسان یادگیری ماشین (Machine Learning Engineers)، مهندسان یادگیری عمیق (Deep Learning Engineers)، و دانشمندان داده (Data Scientists) که مایلند یادگیری عمیق را در وظایف تقسیمبندی تصویر به کار گیرند.
مهندسان بینایی ماشین (Computer Vision Engineers) و محققان که میخواهند نحوه استفاده از پایتورچ (PyTorch) برای ساخت و آموزش مدلهای یادگیری عمیق برای تقسیمبندی معنایی را بیاموزند.
توسعهدهندگانی (Developers) که میخواهند قابلیتهای تقسیمبندی معنایی را در پروژههای خود بگنجانند.
فارغالتحصیلان و محققان در علوم کامپیوتر، مهندسی برق و سایر رشتههای مرتبط که میخواهند در مورد آخرین پیشرفتها در یادگیری عمیق برای تقسیمبندی معنایی بیاموزند.
به طور کلی، این دوره برای هر کسی است که میخواهد یاد بگیرد چگونه از یادگیری عمیق برای استخراج معنا از دادههای بصری استفاده کند و درک عمیقتری از نظریه و کاربردهای عملی تقسیمبندی معنایی با استفاده از پایتون (Python) و پایتورچ (PyTorch) به دست آورد.
این دوره پایپلاین کامل تقسیمبندی معنایی با تجربه عملی و با استفاده از یادگیری عمیق با پایتون و پایتورچ را به شرح زیر پوشش میدهد:
تقسیمبندی معنایی تصویر و کاربردهای آن در دنیای واقعی مانند خودروهای خودران یا وسایل نقلیه خودمختار و غیره.
معماریهای یادگیری عمیق برای تقسیمبندی معنایی شامل شبکه تجزیه صحنه هرمی (PSPNet)، UNet، UNet++، شبکه توجه هرمی (PAN)، شبکه متنی چندوظیفهای (MTCNet)، DeepLabV3 و غیره.
مجموعه دادهها و ابزار حاشیهنویسی داده برای تقسیمبندی معنایی.
گوگل کولب (Google Colab) برای کدنویسی پایتون.
افزایش داده (Data Augmentation) و بارگذاری داده در پایتورچ.
معیارهای عملکرد (IOU) برای ارزیابی مدلهای تقسیمبندی.
یادگیری انتقالی (Transfer Learning) و معماری Resnet عمیق از پیش آموزشدیده.
پیادهسازی مدلهای تقسیمبندی در پایتورچ با استفاده از معماریهای مختلف رمزگذار و رمزگشا.
بهینهسازی هایپرپارامترها و آموزش مدلهای تقسیمبندی.
آزمایش مدل تقسیمبندی و محاسبه IOU، IOU کلاسمحور، دقت پیکسلی، دقت، فراخوانی و امتیاز F.
تصویرسازی نتایج تقسیمبندی و تولید نقشه تقسیمبندی پیشبینیشده RGB.
تا پایان این دوره، دانش و مهارتهای لازم را برای شروع به کارگیری یادگیری عمیق در مسائل تقسیمبندی معنایی تصویر در کار یا تحقیق خود خواهید داشت. چه یک مهندس بینایی ماشین، دانشمند داده، یا توسعهدهنده باشید، این دوره راهی عالی برای ارتقای درک شما از یادگیری عمیق به سطح بعدی است. بیایید این سفر هیجانانگیز یادگیری عمیق برای تقسیمبندی معنایی با پایتون (Python) و پایتورچ (PyTorch) را آغاز کنیم.
سرفصل ها و درس ها
مقدمه دوره
Introduction to Course
مقدمه
Introduction
تقسیمبندی معنایی و کاربردهای واقعی آن
Semantic Segmentation and its Real-world Applications
تقسیمبندی معنایی تصویر چیست؟
What is Semantic Image Segmentation?
نمایش نظرات