Zjisti, jak funguje klasifikace obrázků pomocí CNN, jaký je rozdíl mezi binárními a víceřídními klasifikačními modely a jak využít transfer learning pro klasifikaci obrázků v PyTorchi.

Binární a vícetřídní klasifikace obrázků

Počet tříd

Model pro binární klasifikaci

Model pro vícetřídní klasifikaci

Konvoluční vrstvy pro obrázky

RGB, stupně šedi, nebo alfa?

Přidání nové konvoluční vrstvy

Vytvoření sekvenčního bloku

Práce s předtrénovanými modely

Uložení a načtení modelu

Načtení předtrénovaného modelu

Klasifikace obrázků pomocí ResNet

Klasifikace obrázků pomocí CNN

Detekuj objekty v obrázcích pomocí predikce ohraničujících rámečků a vyhodnoť výkon modelů pro rozpoznávání objektů.

Ohraničující rámečky

Rozpoznávání objektů

Obrázkové tensory

Kreslení ohraničujícího rámečku

Hodnocení modelů pro rozpoznávání objektů

Výpočet IoU

Predikce ohraničujících rámečků

Výpočet NMS

Detekce objektů pomocí R-CNN

Páteřní síť (backbone) předtrénovaného modelu

Blok klasifikátoru

Blok regresoru rámečku

Návrhy oblastí sítí s Faster R-CNN

Generátor anchorů

Model Faster R-CNN

Definování ztrátových funkcí pro RPN a R-CNN

Seznámíš se se třemi typy segmentace obrázků (sémantickou, instanční a panoptickou), jejich využitím a vhodnými architekturami modelů strojového učení pro každý z nich.

Úvod do segmentace obrazu

Možnosti

Sémantická segmentace

Instanční segmentace

Panoptická segmentace

Typy segmentace

Vytváření binárních masek

Segmentace obrázku pomocí masky

Segmentace instancí pomocí Mask R-CNN

Segmentace pomocí předtrénovaného Mask R-CNN

Analýza výstupu modelu

Zobrazení měkkých masek

Sémantická segmentace s U-Net

Stavba U-Netu: definice vrstev

Tvorba U-Netu: metoda forward

Spuštění sémantické segmentace

Vytvoření sémantických masek

Překrytí masek instancí

Segmentace obrázků

Generuj zcela nové obrázky pomocí generativních adversariálních sítí (GAN). Naučíš se sestavit a trénovat hlubokou konvoluční GAN a vyhodnocovat kvalitu a rozmanitost jejích výstupů.

Úvod do GAN

Intuice za GAN

Generátor

Diskriminátor

Hluboká konvoluční GAN

Konvoluční generátor

Konvoluční diskriminátor

Trénování GAN sítí

Ztrátová funkce generátoru

Ztráta diskriminátoru

Trénovací smyčka

Hodnocení GAN

Generování obrázků

Fréchetova Inceptionová vzdálenost

Shrnutí

Generování obrázků pomocí GAN

V tomto kurzu použiješ PyTorch k prozkoumání klasifikace obrázků, rozpoznávání objektů, segmentace a generování obrázků. Budeš pracovat s modely pro binární i vícetřídní klasifikaci obrázků, využiješ předtrénované modely pro úlohy hlubokého učení a zvládneš detekci objektů pomocí ohraničujících rámečků. Dále se ponoříš do segmentace obrázků – sémantické, instanční i panoptické – s ukázkami reálného využití. Na závěr prozkoumáš generativní adversariální sítě (GAN) a naučíš se hodnotit kvalitu a rozmanitost generovaných obrázků.

Tento kurz hlubokého učení pro obrázky s využitím PyTorch vás vybaví praktickými dovednostmi a znalostmi, abyste vynikli v klasifikaci obrázků, detekci objektů, segmentaci a generování. 

<h2>Klasifikujte obrázky pomocí konvolučních neuronových sítí (CNN)</h2>

Naučíte se používat CNN pro binární i vícetřídní klasifikaci obrázků a pochopíte, jak využívat předtrénované modely v PyTorch. S ohraničujícími rámečky budete také schopni detekovat objekty v obrázku a vyhodnotit výkon modelů rozpoznávání objektů.

<h2>Segmentujte obrázky pomocí masek</h2>

Prozkoumejte segmentaci obrazu, včetně sémantické, instanční a panoptické segmentace, pomocí aplikace masek na obrázky a seznamte se s různými architekturami modelů potřebnými pro každý typ segmentace. 

<h2>Generujte obrázky pomocí GANů</h2>

Nakonec se naučíte, jak vytvářet vlastní obrázky pomocí generativních adversariálních sítí (GAN). Naučíš se dovednosti potřebné k vytváření a trénování Deep Convolutional GANs (DCGANs) a také jak posuzovat kvalitu a rozmanitost generovaných obrázků.

Na konci tohoto kurzu získáš dovednosti a zkušenosti potřebné k práci s různými úlohami zpracování obrazu pomocí modelů PyTorch.

Intermediate Deep Learning with PyTorch

Použijte PyTorch pro detekci objektů a segmentaci obrazu pomocí modelů hlubokého učení.

Deep Learning pro obrázky s PyTorchem

Použijte PyTorch na obrázky a využijte deep learning modely pro detekci objektů s bounding boxy a generování image segmentation.

Hluboké učení v Pythonu

Sledování odlesňování nebo rozrůstání měst segmentací různých typů krajinného pokryvu na satelitních snímcích.

Lékařské zobrazování: identifikace a izolace konkrétních oblastí zájmu, jako jsou nádory, cévy nebo orgány na MRI nebo CT snímcích.

Maloobchod: identifikace a počítání konkrétních produktů na regálech pro potřeby řízení skladu.

Autonomní vozidla: rozpoznávání chodců, vozidel a dalších překážek pro bezpečnou navigaci a jejich sledování v čase.

Urbanismus: analýza městských oblastí, kde jsou budovy segmentovány jednotlivě a silnice, stromy apod. jsou segmentovány podle kategorie.

Dohled: monitorování přeplněných veřejných prostor rozlišováním jednotlivých osob a zároveň identifikací různých oblastí nebo zón.

Typy segmentace

Deep Learning pro obrázky s PyTorchem

Interaktivní praktické cvičení