Découvrez la classification d’images avec des CNN, la différence entre les modèles de classification binaire et multi-classes, et comment utiliser l’apprentissage par transfert pour la classification d’images avec PyTorch.

Classification d’images binaire et multi-classes

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 pré-entraînés

Enregistrer et charger un modèle

Charger un modèle pré-entraîné

Classification d’images avec ResNet

Classification d’images avec des CNN

Détectez les objets dans des images en prédisant des boîtes englobantes autour d’eux et évaluez les performances des modèles de reconnaissance d’objets.

Boîtes englobantes

Reconnaissance d’objets

Tenseurs d’images

Tracer une boîte englobante

Évaluer des 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 classificateur

Bloc de régression de boîtes

Propositions de régions avec Faster R-CNN

Générateur d’ancres

Modèle Faster R-CNN

Définir les pertes pour RPN et R-CNN

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

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 pré-entraîné

Analyser la sortie du modèle

Afficher des masques « soft »

Segmentation sémantique avec U-Net

Construire un U-Net : définition des couches

Construire un U-Net : méthode forward

Exécuter une segmentation sémantique

Segmentation panoptique

Préparer des masques sémantiques

Superposer des masques d’instances

Segmentation d’images

Générez des images entièrement nouvelles avec des Generative Adversarial Networks (GANs). Apprenez à construire et à entraîner un Deep Convolutional GAN, et à évaluer la qualité et la variété de son Résultat.

Introduction aux GAN

Intuition des GANs

Générateur

Discriminateur

GAN convolutionnel profond

Générateur convolutionnel

Discriminateur convolutionnel

Entraîner des GAN

Perte du générateur

Perte du discriminateur

Boucle d’entraînement

Évaluer les GAN

Générer des images

Fréchet Inception Distance

Bilan

Génération d’images avec des GANs

Dans ce cours, vous utiliserez PyTorch pour découvrir 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 multi-classes, exploiterez des modèles préentraînés pour des tâches de deep learning et maîtriserez la détection d’objets avec des boîtes englobantes. Vous aborderez également la segmentation d’images — sémantique, d’instances et panoptique — avec des cas d’usage concrets. Enfin, vous explorerez les Generative Adversarial Networks (GANs) et apprendrez à évaluer la qualité et la diversité des images générées.

Ce cours sur l'apprentissage profond pour les images à l'aide de PyTorch vous permettra d'acquérir les compétences pratiques et les connaissances nécessaires pour exceller dans la classification d'images, la détection d'objets, la segmentation et la génération. 

<h2>Classification d'images à l'aide de réseaux neuronaux convolutifs (CNN)</h2>

Vous appliquerez les CNN à la classification d'images binaires et multi-classes et comprendrez comment exploiter les modèles pré-entraînés dans PyTorch. Grâce aux cadres de sélection, vous pourrez également détecter des objets dans une image et évaluer les performances des modèles de reconnaissance d'objets.

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

Découvrez la segmentation d'images, notamment la segmentation sémantique, par instance et panoptique, en appliquant des masques aux images, et familiarisez-vous avec les différentes architectures de modèles requises pour chaque type de segmentation. 

<h2>Générer 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 former des réseaux GAN convolutifs profonds (DCGAN) et 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 des 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 l’image avec PyTorch

Appliquez PyTorch aux images : détection d’objets et segmentation par deep learning.

Bilan

Create Your Free Account