Pelajari klasifikasi gambar dengan CNN, perbedaan antara model klasifikasi gambar biner dan multi-kelas, serta cara menggunakan transfer learning untuk klasifikasi gambar di PyTorch.

Klasifikasi gambar biner dan multi-kelas

Jumlah kelas

Model klasifikasi biner

Model klasifikasi multi-kelas

Lapisan konvolusional untuk citra

RGB, grayscale, atau alpha?

Menambahkan lapisan konvolusional baru

Membuat blok sequential

Bekerja dengan model terlatih sebelumnya

Menyimpan dan memuat model

Memuat model pra-latih

Klasifikasi gambar dengan ResNet

Klasifikasi Gambar dengan CNN

Deteksi objek dalam gambar dengan memprediksi bounding box di sekelilingnya dan evaluasi kinerja model pengenalan objek.

Bounding box

Pengenalan objek

Tensor gambar

Menggambar bounding box

Mengevaluasi model pengenalan objek

Hitung IoU

Prediksi bounding box

Menghitung NMS

Deteksi objek menggunakan R-CNN

Backbone model terlatih awal (pre-trained)

Blok classifier

Blok regresor kotak

Usulan jaringan wilayah dengan Faster R-CNN

Generator anchor

Model Faster R-CNN

Definisikan loss untuk RPN dan R-CNN

Pengenalan Objek

Pelajari tiga jenis segmentasi gambar (semantik, instance, dan panoptik), penerapannya, serta arsitektur model Machine Learning yang tepat untuk masing-masingnya.

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

Segmentasi Gambar

Hasilkan gambar baru sepenuhnya dengan Generative Adversarial Networks (GAN). Pelajari cara membangun dan melatih Deep Convolutional GAN, serta cara mengevaluasi kualitas dan variasi Hasilnya.

Pengantar GAN

Intuisi tentang GAN

Generator

Discriminator

Deep Convolutional GAN

Generator Konvolusional

Discriminator Konvolusional

Melatih GAN

Loss generator

Loss discriminator

Training loop

Mengevaluasi GAN

Menghasilkan gambar

Fréchet Inception Distance

Penutup

Pembuatan Gambar dengan GAN

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