Lerne die Bildklassifikation mit CNNs kennen, den Unterschied zwischen binären und Mehrklassen-Bildklassifikationsmodellen und wie du Transfer Learning für die Bildklassifikation in PyTorch nutzt.

Binäre und mehrklassige Bildklassifikation

Die Anzahl der Klassen

Binäres Klassifikationsmodell

Mehrklassen-Klassifikationsmodell

Faltungs­schichten für Bilder

RGB, Graustufen oder Alpha?

Eine neue Convolutional-Schicht hinzufügen

Einen Sequential-Block erstellen

Arbeiten mit vortrainierten Modellen

Ein Modell speichern und laden

Ein vortrainiertes Modell laden

Bildklassifikation mit ResNet

Bildklassifikation mit CNNs

Erkenne Objekte in Bildern, indem du Begrenzungsrahmen um sie vorhersagst, und bewerte die Leistung von Objekterkennungsmodellen.

Begrenzungsrahmen

Objekterkennung

Bild-Tensoren

Eine Bounding Box zeichnen

Objekterkennungsmodelle bewerten

IoU berechnen

Vorhersage von Bounding Boxes

NMS berechnen

Objekterkennung mit R-CNN

Backbone mit vortrainiertem Modell

Klassifikator-Block

Block für Box-Regression

Region-Vorschläge mit Faster R-CNN

Anchor-Generator

Faster R-CNN-Modell

Losses für RPN und R-CNN definieren

Lerne die drei Arten der Bildsegmentierung kennen (semantisch, Instanz und panoptisch), ihre Einsatzgebiete und die passenden Machine-Learning-Architekturen für jede davon.

Einführung in die Bildsegmentierung

Optionen

Semantische Segmentierung

Instanzsegmentierung

Panoptische Segmentierung

Arten der Segmentierung

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

Eine U-Net-Architektur bauen: Layer-Definitionen

U-Net bauen: forward-Methode

Semantische Segmentierung ausführen

Semantische Masken einrichten

Instanzmasken überlagern

Bildsegmentierung

Erzeuge völlig neue Bilder mit Generative Adversarial Networks (GANs). Lerne, ein Deep Convolutional GAN zu erstellen und zu trainieren und wie du die Qualität und Vielfalt seiner Ausgaben bewertest.

Einführung in GANs

Intuition hinter GANs

Generator

Discriminator

Deep Convolutional GAN

Faltungs-Generator

Konvolutionaler Discriminator

GANs trainieren

Generator-Loss

Discriminator-Loss

Trainingsschleife

GANs bewerten

Bilder erzeugen

Fréchet Inception Distance

Abschluss

Bildgenerierung mit GANs

In diesem Kurs nutzt du PyTorch, um Bildklassifikation, Objekterkennung, Segmentierung und Bildgenerierung kennenzulernen. Du arbeitest mit binären und Mehrklassen-Bildklassifikationsmodellen, setzt vortrainierte Modelle für Deep-Learning-Aufgaben ein und beherrschst Objekterkennung mit Begrenzungsrahmen. Außerdem tauchst du in Bildsegmentierung ein – inklusive semantischer, Instanz- und panoptischer Varianten – mit Anwendungen aus der Praxis. Zum Schluss erkundest du Generative Adversarial Networks (GANs) und lernst, die Qualität und Vielfalt der generierten Bilder zu bewerten.

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

In diesem Kurs lernst du, PyTorch für Bilder anzuwenden und Deep-Learning-Modelle für Objekterkennung und Bildsegmentierung zu nutzen.

Deep Learning in Python

Bewertung von Entwaldung oder Stadtwachstum, indem unterschiedliche Landbedeckungstypen in Satellitenbildern segmentiert werden.

Medizinische Bildgebung: Erkennen und Isolieren spezifischer Regionen von Interesse, wie Tumoren, Blutgefäße oder Organe in MRTs oder CT-Scans.

Einzelhandel: Erkennen und Zählen bestimmter Produkte in Regalen für das Bestandsmanagement.

Autonome Fahrzeuge: Erkennen von Fußgängerinnen und Fußgängern, Fahrzeugen und anderen Hindernissen für sichere Navigation und deren Verfolgung über die Zeit.

Stadtplanung: Analyse urbaner Bereiche, in denen Gebäude individuell segmentiert werden und Straßen, Bäume usw. kategorisch segmentiert sind.

Überwachung: Beobachtung stark frequentierter öffentlicher Räume, indem zwischen einzelnen Personen unterschieden wird und gleichzeitig verschiedene Bereiche oder Zonen identifiziert werden.

Arten der Segmentierung

Interaktive praktische Übung