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?

  • کاربردهای واقعی تقسیم‌بندی معنایی Semantic Segmentation Real-world Applications

معماری‌های یادگیری عمیق برای تقسیم‌بندی (یونت، پی‌اس‌پی‌نت، پن، ام‌تی‌سی‌نت) Deep Learning Architectures for Segmentation (UNet, PSPNet, PAN, MTCNet)

  • شبکه تجزیه صحنه هرمی (پی‌اس‌پی‌نت) برای تقسیم‌بندی Pyramid Scene Parsing Network (PSPNet) for Segmentation

  • معماری یونت برای تقسیم‌بندی UNet Architecture for Segmentation

  • شبکه توجه هرمی (پن) برای تقسیم‌بندی Pyramid Attention Network (PAN) for Segmentation

  • شبکه متنی چندوظیفه‌ای (ام‌تی‌سی‌نت) برای تقسیم‌بندی Multi-Task Contextual Network (MTCNet) for Segmentation

مجموعه داده‌ها و ابزار برچسب‌گذاری داده برای تقسیم‌بندی معنایی Datasets and Data Annotations Tool for Semantic Segmentation

  • کاوش مجموعه داده‌ها برای تقسیم‌بندی معنایی Explore Datasets for Semantic Segmentation

  • ابزار برچسب‌گذاری داده برای تقسیم‌بندی معنایی Data Annotations Tool for Semantic Segmentation

  • مجموعه داده برای تقسیم‌بندی معنایی Dataset for Semantic Segmentation

راه‌اندازی گوگل کولب برای نوشتن کد پایتون Google Colab Setting-up for Writing Python Code

  • راه‌اندازی گوگل کولب برای نوشتن کد تقسیم‌بندی با پایتون و پای‌تورچ Set-up Google Colab for Writing Segmentation with Python and PyTorch Code

  • اتصال گوگل کولب به گوگل درایو برای خواندن و نوشتن داده Connect Google Colab with Google Drive to Read and Write Data

  • کد پایتون Python Code

تقسیم‌بندی با مدل‌های از پیش آموزش‌دیده پای‌تورچ روی مجموعه داده کوکو Segmentation with Pretrained Pytorch Models on COCO Dataset

  • تقسیم‌بندی با مدل‌های از پیش آموزش‌دیده پای‌تورچ Segmentation with Pretrained Pytorch Models

  • نوت‌بوک کولب: تقسیم‌بندی با مدل‌های از پیش آموزش‌دیده پای‌تورچ Colab Notebook: Segmentation with Pretrained Pytorch Models

پیاده‌سازی کلاس مجموعه داده سفارشی در پای‌تورچ برای بارگذاری داده Customized Dataset Class Implementation in PyTorch for Data Loading

  • بارگذاری داده با کلاس مجموعه داده سفارشی پای‌تورچ Data Loading with PyTorch Customized Dataset Class

  • بارگذاری داده برای تقسیم‌بندی با کد پایتون و پای‌تورچ Data Loading for Segmentation with Python and PyTorch Code

افزایش داده با آلبومینتیشنز Data Augmentation with Albumentations

  • انجام افزایش داده با استفاده از آلبومینتیشنز و تبدیل‌های مختلف Perform Data Augmentation using Albumentations with different Transformations

  • افزایش داده با کد پایتون و پای‌تورچ Data Augmentation with Python and PyTorch Code

پیاده‌سازی Data Loader در پای‌تورچ Data Loaders Implementation in Pytorch

  • یادگیری پیاده‌سازی Data Loader با پای‌تورچ Learn to Implement Data Loaders with Pytorch

معیارهای عملکرد (آی‌او‌یو) برای ارزیابی مدل‌های تقسیم‌بندی Performance Metrics (IOU) for Segmentation Models Evaluation

  • معیارهای عملکرد (آی‌او‌یو، دقت پیکسل) برای ارزیابی مدل‌های تقسیم‌بندی Performance Metrics (IOU, Pixel Accuracy) for Segmentation Models Evaluation

  • اشتراک بر روی اجتماع (آی‌او‌یو)، دقت پیکسل با پایتون و پای‌تورچ Intersection over Union IOU, Pixel Accuracy with Python and PyTorch

یادگیری انتقالی و معماری از پیش آموزش‌دیده دیپ رزنت Transfer Learning and Pretrained Deep Resnet Architecture

  • آشنایی با یادگیری انتقالی و معماری از پیش آموزش‌دیده دیپ رزنت Learn Transfer Learning and Pretrained Deep Resnet Architecture

انکودرها برای تقسیم‌بندی در پای‌تورچ Encoders for Segmentation in PyTorch

  • انکودرهای از پیش آموزش‌دیده برای تقسیم‌بندی معنایی تصویر با پای‌تورچ Pretrained Encoders for Semantic Image Segmentation with PyTorch

دیکودرها برای تقسیم‌بندی در پای‌تورچ Decoders for Segmentation in PyTorch

  • دیکودرها برای تقسیم‌بندی معنایی با استفاده از پای‌تورچ Decoders for Semantic Segmentation using PyTorch

پیاده‌سازی مدل‌های تقسیم‌بندی (یونت، پی‌اس‌پی‌نت، دیپ‌لب، پن، یونت‌پلاس‌پلاس) با استفاده از پای‌تورچ Implement Segmentation Models (UNet, PSPNet, DeepLab, PAN, UNet++) using PyTorch

  • یونت، پی‌اس‌پی‌نت، دیپ‌لب، پن، یونت‌پلاس‌پلاس، مدل‌های تقسیم‌بندی با پای‌تورچ و پایتون UNet, PSPNet, DeepLab, PAN, UNet++, Segmentation Models with PyTorch and Python

  • تقسیم‌بندی با کد پایتون و پای‌تورچ Segmentation with Python and PyTorch Code

بهینه‌سازی هایپرپارامترهای مدل‌های تقسیم‌بندی Hyperparameters Optimization of Segmentation Models

  • یادگیری بهینه‌سازی هایپرپارامترها برای مدل‌های تقسیم‌بندی معنایی Learn to Optimize Hyperparameters for Semantic Segmentation Models

  • بهینه‌سازی هایپرپارامترها برای تقسیم‌بندی با کد پایتون و پای‌تورچ Hyperparameters Optimization for Segmentation with Python and PyTorch Code

آموزش مدل‌های تقسیم‌بندی Training of Segmentation Models

  • آموزش مدل‌های تقسیم‌بندی معنایی تصویر با پای‌تورچ Semantic Image Segmentation Models with Pytorch Training

  • آموزش تقسیم‌بندی با پایتون و پای‌تورچ Segmentation with Python and PyTorch Training

تست مدل‌های تقسیم‌بندی و محاسبه معیارهای آی‌او‌یو، آی‌او‌یو کلاس‌بندی، دقت پیکسل Test Segmentation Models & Calculate IOU, Class-wise IOU, Pixel Accuracy Metrics

  • اجرا و تست مدل‌های تقسیم‌بندی و محاسبه آی‌او‌یو کلاس‌بندی، دقت، اف‌اسکور Run & Test Segmentation Models and Calculate Class-wise IOU, Accuracy, Fscore

  • استقرار مدل‌های تقسیم‌بندی با کد پایتون و پای‌تورچ Deploy Models of Segmentation with PyTorch and Python Code

تصویرسازی نتایج تقسیم‌بندی و تولید نقشه تقسیم‌بندی خروجی RGB Visualize Segmentation Results and Generate RGB Output Segmentation Map

  • تصویرسازی نتایج تقسیم‌بندی و تولید نقشه تقسیم‌بندی پیش‌بینی شده RGB Visualize Segmentation Results and Generate RGB Predicted Segmentation Map

  • کد تصویرسازی نتایج تقسیم‌بندی تصویر با پای‌تورچ و پایتون Image Segmentation with PyTorch and Python Results Visualization Code

منابع جایزه: کد و مجموعه داده کامل تقسیم‌بندی با یادگیری عمیق Bonus Resources: Complete Code and Dataset of Segmentation with Deep Learning

  • کد و مجموعه داده کامل تقسیم‌بندی با یادگیری عمیق Please Find Attached Complete Code & Dataset of Segmentation with Deep Learning

سخنرانی جایزه Bonus Lecture

  • سخنرانی جایزه: تقسیم‌بندی ویدئو و تشخیص شیء در ویدئو با پایتون Bonus Lecture: Video Segmentation and Video Object Detection with Python

نمایش نظرات

آموزش یادگیری عمیق برای تقسیم‌بندی تصویر با پایتون و پایتورچ
جزییات دوره
3 hours
37
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
901
4.1 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Mazhar Hussain Dr Mazhar Hussain

یادگیری عمیق، بینایی کامپیوتر، هوش مصنوعی و پایتون | مدرس CS

AI   Computer Science School AI Computer Science School

هوش مصنوعی، یادگیری عمیق و دید کامپیوتر را با پایتون بیاموزید