Learn about image classification with CNNs, the difference between the binary and multi-class image classification models, and how to use transfer learning for image classification in PyTorch.

Binary and multi-class image classification

The number of classes

Binary classification model

Multi-class classification model

Convolutional layers for images

RGB, grayscale, or alpha?

Adding a new convolutional layer

Creating a sequential block

Working with pre-trained models

Save and load a model

Loading a pre-trained model

Image classification with ResNet

Image Classification with CNNs

Detect objects in images by predicting bounding boxes around them and evaluate the performance of object recognition models.

Bounding boxes

Object recognition

Image tensors

Drawing a bounding box

Evaluating object recognition models

Calculate IoU

Bounding boxes prediction

Calculate NMS

Object detection using R-CNN

Pre-trained model backbone

Classifier block

Box regressor block

Region network proposals with Faster R-CNN

Anchor generator

Faster R-CNN model

Define losses for RPN and R-CNN

Object Recognition

Learn about the three types of image segmentation (semantic, instance, and panoptic), their applications, and the appropriate machine learning model architectures to perform each of them.

Pengantar segmentasi citra

Opsi

Semantic segmentation

Instance segmentation

Panoptic segmentation

Jenis-jenis segmentasi

Membuat mask biner

Segmentasi gambar dengan mask

Segmentasi instance dengan Mask R-CNN

Segmentasi dengan Mask R-CNN pralatih

Menganalisis keluaran model

Menampilkan soft mask

Segmentasi semantik dengan U-Net

Membangun U-Net: definisi lapisan

Membangun U-Net: metode forward

Menjalankan segmentasi semantik

Segmentasi panoptik

Menyiapkan masker semantik

Tumpangtindihkan mask instance

Image Segmentation

Generate completely new images with Generative Adversarial Networks (GANs). Learn to build and train a Deep Convolutional GAN, and how to evaluate the quality and variety of its outputs.

Introduction to GANs

GANs intuition

Generator

Discriminator

Deep Convolutional GAN

Convolutional Generator

Convolutional Discriminator

Training GANs

Generator loss

Discriminator loss

Training loop

Evaluating GANs

Generating images

Fréchet Inception Distance

Wrap-up

Image Generation with GANs

Dalam kursus ini, Anda akan menggunakan PyTorch untuk mempelajari klasifikasi gambar, pengenalan objek, segmentasi, dan pembuatan gambar. Anda akan bekerja dengan model klasifikasi gambar biner dan multi-kelas, memanfaatkan model pra-latih untuk tugas deep learning, serta menguasai deteksi objek dengan bounding box. Selain itu, Anda akan mendalami segmentasi gambar, termasuk jenis semantik, instance, dan panoptik, beserta penerapannya di dunia nyata. Terakhir, Anda akan mengeksplorasi Generative Adversarial Networks (GAN) dan mempelajari cara menilai kualitas serta keragaman gambar yang dihasilkan.

Kursus ini tentang deep learning untuk gambar menggunakan PyTorch akan membekali Anda dengan keterampilan praktis dan pengetahuan yang diperlukan untuk menguasai klasifikasi gambar, deteksi objek, segmentasi, dan generasi. 

<h2>Klasifikasikan gambar menggunakan jaringan saraf konvolusional (CNN)</h2>

Anda akan menerapkan Jaringan Saraf Konvolusional (CNN) untuk klasifikasi gambar biner dan multi-kelas, serta memahami cara memanfaatkan model yang telah dilatih sebelumnya dalam PyTorch. Dengan kotak batas, Anda juga dapat mendeteksi objek dalam sebuah gambar dan mengevaluasi kinerja model pengenalan objek.

<h2>Membagi gambar dengan menerapkan masker</h2>

Jelajahi segmentasi gambar, termasuk segmentasi semantik, segmentasi instance, dan segmentasi panoptik, dengan menerapkan masker pada gambar, dan pelajari arsitektur model yang berbeda yang diperlukan untuk setiap jenis segmentasi. 

<h2>Membuat gambar dengan GANs</h2>

Akhirnya, Anda akan belajar cara menghasilkan gambar sendiri menggunakan Jaringan Adversarial Generatif (GAN). Anda akan mempelajari keterampilan untuk membangun dan melatih Deep Convolutional GANs (DCGANs) serta cara mengevaluasi kualitas dan keragaman gambar yang dihasilkan.

Pada akhir kursus ini, Anda akan memperoleh keterampilan dan pengalaman untuk bekerja dengan berbagai tugas pemrosesan gambar menggunakan model PyTorch.

Intermediate Deep Learning with PyTorch

Gunakan PyTorch untuk deteksi objek dan segmentasi gambar dengan model deep learning.

Deep Learning untuk Gambar dengan PyTorch

Gunakan PyTorch pada gambar dan terapkan model deep learning untuk deteksi objek dengan kotak batas (bounding boxes) dan pembangkitan segmentasi gambar.

Pembelajaran Mendalam dalam Python

Menilai deforestasi atau perluasan wilayah perkotaan dengan melakukan segmentasi jenis tutupan lahan yang berbeda pada citra satelit.

Pencitraan medis: Mengidentifikasi dan mengisolasi area yang menjadi perhatian, seperti tumor, pembuluh darah, atau organ pada MRI atau CT scan.

Ritel: Mengidentifikasi dan menghitung produk tertentu di rak untuk manajemen persediaan.

Kendaraan otonom: Mengidentifikasi pejalan kaki, kendaraan, dan hambatan lain untuk navigasi yang aman serta melacaknya dari waktu ke waktu.

Perencanaan kota: Menganalisis area perkotaan, di mana bangunan disegmentasi secara individual, sedangkan jalan, pepohonan, dan sebagainya disegmentasi secara kategoris.

Pengawasan: Memantau ruang publik yang padat dengan membedakan setiap orang sekaligus mengidentifikasi area atau zona yang berbeda.

Jenis-jenis segmentasi

Deep Learning untuk Gambar dengan PyTorch

Latihan interaktif langsung