Глубокое обучение для компьютерного зрения
Что вы узнаете
– Узнайте о современных моделях обнаружения объектов и моделей классификации изображений.
– Вы в сжатой форме изучите теорию, лежащую в основе различных алгоритмов компьютерного зрения.
- Вы сможете развертывать свои собственные приложения в Computer Vision
- Как собирать данные изображения из разных ресурсов
Требования
- Концепции машинного обучения, линейная алгебра, Python, TensorFlow, Keras и OpenCV
Описание для Deep Learning TensorFlow 2
Этот курс посвящен применению глубокого обучения для классификации изображений и обнаружения объектов. Первоначально этот курс был разработан в TensorFlow версии 1.X, но теперь уроки и коды были обновлены с помощью TensorFlow версии 2.X, в основном с использованием Google Colaboratory (Colab).
Если у вас нет доступного графического процессора в вашей локальной системе или вы хотите поэкспериментировать в среде без какой-либо предварительной установки или настройки, не беспокойтесь, вы легко пройдете курс, потому что все коды были оптимизированы в Google Colab.
Курс начинается с краткого обзора основных концепций глубокого обучения, поскольку этот курс был посвящен применению глубокого обучения в области компьютерного зрения.
Основными задачами компьютерного зрения, рассматриваемыми в этом курсе, являются классификация изображений и обнаружение объектов.
После ознакомления с теорией глубокого обучения вы приступите к изучению Сверточных нейронных сетей (ConvNets) для классификации изображений, изучая следующие концепции и алгоритмы:
– Основы изображения
– Загрузка изображений в TensorFlow
– Строительные блоки ConvNet, такие как:
Операция свертки
Фильтры
Пакетная нормализация
Функция ReLU
Выпадение
Объединение слоев
Расширение
Общие веса
Увеличение изображения и т. д.
– Различные архитектуры ConvNets, такие как:
LeNet5,
АлексНет
Начало.
– Множество практических приложений, использующих известные наборы данных, такие как:
Covid19 на рентгеновских снимках
CIFAR10
BCCD — глубокое обучение для компьютерного зрения
Набор данных COCO,
Открыть набор данных изображений V6 через Voxel FiftyOne,
РОБОФЛОУ
Вы также узнаете, как работать и собирать данные изображений с помощью парсинга веб-страниц.
Python и Selenium.
Наконец, в главе «Обнаружение объектов» мы рассмотрим теорию и применение, используя подход трансферного обучения, используя новейшие современные алгоритмы с практическими приложениями. Некоторое содержание этой главы следующее:
– Теоретические основы алгоритма выборочного поиска.
– Теоретическая основа для R-CNN, Fast R-CNN и Faster R-CNN,
– Более быстрое применение R-CNN в наборе данных BCCD для обнаружения клеток крови,
– Теоретическая основа для детектора одиночных выстрелов (SSD),
– Обучение наборов таможенных данных с использованием различных моделей API TensorFlow Object Detection
– Обнаружение объектов на изображениях, видео и в прямом эфире
– Теория и практическое применение YOLOv2 в пользовательском наборе данных (набор данных R2D2)
– Практическое применение YOLOv3 в пользовательском наборе данных (набор данных R2D2 и C3PO)
– Теория и практическое применение YOLOv4 в пользовательском наборе данных (набор данных R2D2 и C3PO)
– Практическое приложение для распознавания номерных знаков, преобразующее изображения номеров в необработанный текстовый формат (OCR) с помощью Yolov4, OpenCV и ConvNets
Наконец, вы узнаете, как создать и обучить свой собственный набор данных с помощью вычислений на GPU с Yolo v2, Yolo v3, и последней версией Yolo v4 с использованием Google Colab.
В этом курсе вы найдете краткий обзор теории с интуитивными концепциями алгоритмов и сможете применить свои знания на практике с множеством практических примеров, используя свои собственные наборы данных.
Студенты очень хорошо оценили этот курс, некоторые из вдохновляющих комментариев:
* Максимилиано Д'Амико (5 звезд):Очень интересный и обновленный курс на YOLO!
* Стефан Ланкестер (5 звезд): Спасибо Карлосу за это ценное обучение. Хорошее объяснение с широкой трактовкой распознавания предмет-объект на изображениях и видео. Показаны интересные примеры и ссылки на необходимые ресурсы. Хорошее объяснение того, какие версии различных пакетов Python следует использовать для получения успешных результатов.
* Шихаб (5 звезд): Это был действительно потрясающий курс. Должен рекомендовать для всех.
* Estanislau de Sena Filho (5 звезд):Отличный курс. Отличное объяснение. Это лучший курс машинного обучения для компьютерного зрения. я рекомендую это
* Areej AI Medinah (5 звезд):Курс действительно хорош для компьютерного зрения. Он состоит из всего материала, необходимого для практической реализации проектов компьютерного зрения. После создания отличного понимания с помощью теории, он также дает практический опыт.
* Дэйв Роберто (5 звезд): Курс того стоит. Преподаватель четко передает понятия и видно, что он их очень хорошо понимает (с другими курсами такого ощущения нет). Схемы, которые он использует, не являются обычными, которые вы можете увидеть в других курсах, но они действительно помогают лучше проиллюстрировать и понять. Я бы поставила курсу восемь звезд, но максимум пять. Это один из немногих курсов Udemy, которым я остался очень доволен.
У учащегося есть возможность получить отзыв от преподавателя через форумы вопросов и ответов, по электронной почте: [email protected] или через Twitter: @AILearningCQ.
Для кого предназначен этот курс:
- Профессионалы, которые хотят изучить передовые приложения в области компьютерного зрения с использованием концепций глубокого обучения.
- Это курс среднего уровня, не предназначенный для начинающих.
Разработано Карлосом Киросом
Последнее обновление: 12/2021
Английский
Английский
Размер: 7,28 ГБ
Загрузите Глубокое обучение для компьютерного зрения с помощью TensorFlow 2
