Découvrez la classification d'images avec des CNN, la différence entre les modèles binaires et multiclasse, et comment utiliser l'apprentissage par transfert dans PyTorch pour la classification d'images.

Classification d'images binaire et multiclasse

Le nombre de classes

Modèle de classification binaire

Modèle de classification multiclasse

Couches convolutionnelles pour les images

RGB, niveaux de gris ou alpha?

Ajouter une nouvelle couche de convolution

Créer un bloc séquentiel

Travailler avec des modèles préentraînés

Enregistrer et charger un modèle

Charger un modèle préentraîné

Classification d'images avec ResNet

Classification d'images avec des CNN

Détectez des objets dans des images en prédisant des boîtes englobantes et évaluez la performance des modèles de reconnaissance d'objets.

Boîtes englobantes

Reconnaissance d'objets

Tenseurs d'images

Tracer une boîte englobante

Évaluer les modèles de reconnaissance d'objets

Calculer l'IoU

Prédiction des boîtes englobantes

Calculer le NMS

Détection d'objets avec R-CNN

Backbone de modèle préentraîné

Bloc de classification

Bloc de régression de boîte

Propositions de régions avec Faster R-CNN

Générateur d'ancrages

Modèle Faster R-CNN

Définir les pertes pour le RPN et le R-CNN

Apprenez les trois types de segmentation d'images (sémantique, par instance et panoptique), leurs applications et les architectures de modèles de Machine Learning adaptées à chacune.

Introduction à la segmentation d'images

Types de segmentation

Créer des masques binaires

Segmenter une image avec un masque

Segmentation d'instances avec Mask R-CNN

Segmenter avec Mask R-CNN préentraîné

Analyser la sortie du modèle

Affichage de masques souples

Segmentation sémantique avec U-Net

Créer un U-Net : définition des couches

Créer un U-Net : méthode forward

Exécuter une segmentation sémantique

Segmentation panoptique

Préparer les masques sémantiques

Superposer les masques d'instances

Segmentation d'images

Générez des images entièrement nouvelles avec des réseaux antagonistes génératifs (GAN). Apprenez à concevoir et entraîner un GAN convolutionnel profond et à évaluer la qualité et la variété de ses résultats.

Introduction aux GAN

Intuition des GAN

Générateur

Discriminateur

GAN convolutionnel profond

Générateur convolutionnel

Discriminateur convolutionnel

Entraîner des GAN

Perte du générateur

Fonction de perte du discriminateur

Boucle d'entraînement

Évaluer les GAN

Générer des images

Fréchet Inception Distance

En résumé

Génération d'images avec des GAN

Dans ce cours, vous utiliserez PyTorch pour explorer la classification d'images, la reconnaissance d'objets, la segmentation et la génération d'images. Vous travaillerez avec des modèles de classification d'images binaires et multiclasse, tirerez parti de modèles préentraînés pour des tâches de Deep Learning et maîtriserez la détection d'objets à l'aide de boîtes englobantes. Vous aborderez aussi la segmentation d'images — sémantique, par instance et panoptique — avec des applications concrètes. Enfin, vous découvrirez les réseaux antagonistes génératifs (GAN) et apprendrez à évaluer la qualité et la diversité des images générées.

Ce cours sur l’apprentissage profond pour les images avec PyTorch vous dotera des compétences pratiques et des connaissances nécessaires pour exceller en classification d’images, en détection d’objets, en segmentation et en génération. 

<h2>Classifiez des images avec des réseaux de neurones convolutifs (CNN)</h2>

Vous appliquerez les CNN pour la classification d’images binaire et multiclasse et comprendrez comment tirer parti de modèles préentraînés dans PyTorch. Avec les boîtes englobantes, vous pourrez également détecter des objets dans une image et évaluer la performance des modèles de reconnaissance d’objets.

<h2>Segmentez les images en appliquant des masques</h2>

Explorez la segmentation d’images, y compris la segmentation sémantique, par instance et panoptique, en appliquant des masques aux images et découvrez les différentes architectures de modèles nécessaires pour chaque type de segmentation. 

<h2>Générez des images avec les GAN</h2>

Enfin, vous apprendrez à générer vos propres images à l’aide des réseaux antagonistes génératifs (GAN). Vous apprendrez les compétences nécessaires pour créer et entraîner des GAN à convolution profonde (DCGAN) et pour évaluer la qualité et la diversité des images générées.

À la fin de ce cours, vous aurez acquis les compétences et l’expérience nécessaires pour travailler sur diverses tâches liées aux images à l’aide de modèles PyTorch.

Intermediate Deep Learning with PyTorch

Utilisez PyTorch pour détecter des objets et segmenter des images avec des modèles d'apprentissage profond.

Deep Learning pour les images avec PyTorch

Apprentissage profond en Python

Intuition des GAN

Deep Learning pour les images avec PyTorch

Exercice interactif pratique