Découvrez la classification d'images avec les CNN, la différence entre les modèles de classification d'images binaires et multi-classes, et comment utiliser le transfert d'apprentissage pour la classification d'images dans PyTorch.

Classification d'images binaires et multi-classes

Le nombre de cours

Modèle de classification binaire

Modèle de classification multi-classes

Couches convolutives pour les images

RVB, niveaux de gris ou alpha ?

Ajout d'une nouvelle couche convolutive

Création d'un bloc séquentiel

Utilisation de modèles pré-entraînés

Enregistrer et charger un modèle

Chargement d'un modèle pré-entraîné

Classification d'images avec ResNet

Classification d'images avec les CNN

Détectez des objets dans des images en prédisant les cadres qui les entourent et évaluez les performances des modèles de reconnaissance d'objets.

Boîtes englobantes

Reconnaissance d'objets

Tenseurs d'image

Dessiner un cadre de sélection

Évaluation des modèles de reconnaissance d'objets

Calculer l'IoU

Prédiction des boîtes englobantes

Calculer le NMS

Détection d'objets à l'aide de R-CNN

Modèle de base pré-entraîné

Bloc classificateur

Bloc régresseur de boîte

Propositions de réseaux régionaux avec Faster R-CNN

Générateur d'ancrage

Modèle R-CNN plus rapide

Définir les pertes pour RPN et R-CNN

Découvrez les trois types de segmentation d'images (sémantique, instance et panoptique), leurs applications et les architectures de modèles d'apprentissage automatique appropriées pour les mettre en œuvre.

Introduction à la segmentation d'images

Types de segmentation

Création de masques binaires

Segmentation d'une image à l'aide d'un masque

Segmentation d'instances avec Mask R-CNN

Segmentation avec Mask R-CNN pré-entraîné

Analyse des résultats du modèle

Affichage des masques souples

Segmentation sémantique avec U-Net

Construire un réseau U-Net : définitions des couches

Construire un réseau U-Net : méthode directe

Exécution de la segmentation sémantique

Segmentation panoptique

Configurer les masques sémantiques

Masques d'instance de superposition

Segmentation d'image

Créez des images entièrement nouvelles grâce aux réseaux antagonistes génératifs (GAN). Apprenez à construire et à entraîner un GAN convolutif profond, ainsi qu'à évaluer la qualité et la variété de ses résultats.

Introduction aux GAN

Intuition des GAN

Générateur

Discriminateur

GAN convolutif profond

Générateur convolutif

Discriminateur convolutif

Formation des GAN

Perte du générateur

Perte de discriminateur

Boucle de formation

Évaluation des GAN

Génération d'images

Distance de Fréchet Inception

Conclusion

Génération d'images avec les GAN

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, utiliserez des modèles pré-entraînés pour des tâches d'apprentissage profond et maîtriserez la détection d'objets à l'aide de cadres de sélection. De plus, vous approfondirez vos connaissances en matière de segmentation d'images, notamment les types sémantique, d'instance et panoptique, avec des applications concrètes. Enfin, vous explorerez 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 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 les images avec PyTorch

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

Propositions de réseaux régionaux avec Faster R-CNN

Create Your Free Account