Lerne mehr über die Bildklassifizierung mit CNNs, den Unterschied zwischen binären und mehrklassigen Bildklassifizierungsmodellen und wie man Transferlernen für die Bildklassifizierung in PyTorch nutzt.

Binäre und mehrklassige Bildklassifizierung

Die Anzahl der Klassen

Binäre Klassifizierungsmodell

Mehrklassen-Klassifizierungsmodell

Faltungs-Schichten für Bilder

RGB, Graustufen oder Alpha?

Eine neue Faltungsschicht hinzufügen

Erstellen eines sequenziellen Blocks

Arbeiten mit vorab trainierten Modellen

Modell speichern und laden

Ein vortrainiertes Modell laden

Bildklassifizierung mit ResNet

Bildklassifizierung mit CNNs

Erkenne Objekte in Bildern, indem du Begrenzungsrahmen um sie herum vorhersagst, und schau dir an, wie gut die Modelle zur Objekterkennung funktionieren.

Begrenzungsrahmen

Objekterkennung

Bildtensoren

Eine Begrenzungsbox zeichnen

Objekt-Erkennungsmodelle checken

IoU berechnen

Vorhersage von Begrenzungsrahmen

NMS berechnen

Objekterkennung mit R-CNN

Vortrainiertes Modell-Backbone

Klassifiziererblock

Box-Regressor-Block

Vorschläge für Regionsnetzwerke mit Faster R-CNN

Ankergenerator

Schnelleres R-CNN-Modell

Verluste für RPN und R-CNN festlegen

Lerne die drei Arten der Bildsegmentierung (semantisch, instanzbasiert und panoptisch) kennen, ihre Anwendungen und die passenden ML-Modellarchitekturen, um sie umzusetzen.

Einführung in die Bildsegmentierung

Optionen

Semantische Segmentierung

Instanzsegmentierung

Panoptische Segmentierung

Segmentierungsarten

Binäre Masken erstellen

Bild mit einer Maske segmentieren

Instanzsegmentierung mit Mask R-CNN

Segmentierung mit vortrainiertem Mask R-CNN

Modellausgabe analysieren

Weiche Masken anzeigen

Semantische Segmentierung mit U-Net

Aufbau eines U-Net: Definition der Schichten

Aufbau eines U-Net: Vorwärtsmethode

Semantische Segmentierung ausführen

Semantische Masken einrichten

Overlay-Instanzmasken

Bildsegmentierung

Mach mit Generative Adversarial Networks (GANs) total neue Bilder. Lerne, wie man ein Deep Convolutional GAN aufbaut und trainiert und wie man die Qualität und Vielfalt seiner Ergebnisse bewertet.

Einführung in GANs

Intuition zu GANs

Generator

Diskriminator

Tiefes konvolutionelles GAN

Faltungsgenerator

Faltungsdiskriminator

GANs trainieren

Generatorverlust

Diskriminatorverlust

Trainingsschleife

GANs bewerten

Bilder erstellen

Fréchet-Inception-Distanz

Zusammenfassung

Bildgenerierung mit GANs

In diesem Kurs lernst du mit PyTorch, wie man Bilder klassifiziert, Objekte erkennt, segmentiert und Bilder erzeugt. Du wirst mit binären und mehrklassigen Bildklassifizierungsmodellen arbeiten, vortrainierte Modelle für Deep-Learning-Aufgaben nutzen und die Objekterkennung mit Begrenzungsrahmen meistern. Außerdem lernst du mehr über Bildsegmentierung, einschließlich semantischer, instanzbezogener und panoptischer Typen, mit praktischen Anwendungen. Zum Schluss checkst du Generative Adversarial Networks (GANs) aus und lernst, wie du die Qualität und Vielfalt der erzeugten Bilder bewerten kannst.

Dieser Kurs über Deep Learning für Bilder mit PyTorch gibt dir die praktischen Fähigkeiten und das Wissen, um bei der Bildklassifizierung, Objekterkennung, Segmentierung und Generierung richtig gut zu werden. 

<h2>Bilder mit Convolutional Neural Networks (CNNs) klassifizieren</h2>

Du wirst CNNs für die Klassifizierung von binären und mehrklassigen Bildern anwenden und lernen, wie du in PyTorch vorab trainierte Modelle nutzen kannst. Mit Begrenzungsrahmen kannst du auch Objekte in einem Bild erkennen und die Leistung von Objekterkennungsmodellen checken.

<h2>Bilder durch Masken segmentieren</h2>

Probier mal die Bildsegmentierung aus, zum Beispiel semantische, Instanz- und panoptische Segmentierung, indem du Masken auf Bilder anwendest, und lerne die verschiedenen Modellarchitekturen kennen, die für jede Art der Segmentierung nötig sind. 

<h2>Bilder mit GANs erstellen</h2>

Zum Schluss lernst du, wie du mit Generative Adversarial Networks (GANs) deine eigenen Bilder erstellen kannst. Du lernst, wie man Deep Convolutional GANs (DCGANs) baut und trainiert und wie man die Qualität und Vielfalt der erzeugten Bilder bewertet.

Am Ende dieses Kurses hast du die Fähigkeiten und Erfahrungen, um mit PyTorch-Modellen verschiedene Bildbearbeitungsaufgaben zu erledigen.

Intermediate Deep Learning with PyTorch

Verwenden Sie PyTorch für Bilder und Deep-Learning-Modelle zur Objekterkennung und Bildsegmentierung.

Deep Learning für Bilder mit PyTorch

Probier PyTorch für Bilder aus und nutze Deep-Learning-Modelle für die Objekterkennung mit Begrenzungsrahmen und die Generierung von Bildsegmentierungen.

Deep Learning in Python

Bewertung von Entwaldung oder Zersiedelung durch die Aufteilung verschiedener Landbedeckungstypen in Satellitenbildern.

Medizinische Bildgebung: Bestimmen und Isolieren von bestimmten Bereichen, die man in MRIs oder CT-Scans sehen will, wie zum Beispiel Tumore, Blutgefäße oder Organe.

Einzelhandel: Bestimmen und Zählen bestimmter Produkte in Regalen für die Bestandsverwaltung.

Autonome Fahrzeuge: Identifizieren von Fußgängern, Fahrzeugen und anderen Hindernissen für eine sichere Navigation und deren Verfolgung im Laufe der Zeit.

Stadtplanung: Analyse von städtischen Gebieten, wo Gebäude einzeln und Straßen, Bäume usw. nach Kategorien getrennt sind.

Überwachung: Überwachung von überfüllten öffentlichen Räumen, indem einzelne Personen voneinander unterschieden und gleichzeitig verschiedene Bereiche oder Zonen identifiziert werden.

Segmentierungsarten

Deep Learning für Bilder mit PyTorch

Interaktive Übung