Scopri la classificazione di immagini con le CNN, la differenza tra modelli di classificazione binaria e multi-classe e come usare il transfer learning per la classificazione di immagini in PyTorch.

Classificazione di immagini binaria e multi-classe

Il numero di classi

Modello di classificazione binaria

Modello di classificazione multi-classe

Strati convoluzionali per le immagini

RGB, scala di grigi o alpha?

Aggiungere una nuova layer di convoluzione

Creare un blocco sequenziale

Lavorare con modelli pre-addestrati

Salvare e caricare un modello

Caricare un modello pre-addestrato

Classificazione di immagini con ResNet

Classificazione di immagini con CNN

Rileva oggetti nelle immagini prevedendo le bounding box attorno a essi e valuta le prestazioni dei modelli di riconoscimento di oggetti.

Rettangoli di delimitazione

Riconoscimento di oggetti

Tensori di immagini

Disegnare una bounding box

Valutare i modelli di riconoscimento degli oggetti

Calcola l'IoU

Predizione dei bounding box

Calcola NMS

Rilevamento di oggetti con R-CNN

Backbone di un modello pre-addestrato

Blocco del classificatore

Blocco di regressione per i box

Proposte di regioni con Faster R-CNN

Generatore di anchor

Modello Faster R-CNN

Definisci le loss per RPN e R-CNN

Scopri i tre tipi di segmentazione di immagini (semantica, a istanze e panottica), le loro applicazioni e le architetture di Machine Learning più adatte per ciascuna.

Introduzione alla segmentazione di immagini

Opzioni

Semantic segmentation

Instance segmentation

Panoptic segmentation

Tipi di segmentazione

Creare maschere binarie

Segmentazione di un'immagine con una maschera

Segmentazione di istanze con Mask R-CNN

Segmentazione con Mask R-CNN pre-addestrata

Analizzare l'output del modello

Visualizzare le soft mask

Segmentazione semantica con U-Net

Costruire una U-Net: definizione dei livelli

Costruire una U-Net: metodo forward

Eseguire la segmentazione semantica

Segmentazione panottica

Configura le maschere semantiche

Sovrapponi le maschere di istanza

Segmentazione di immagini

Genera immagini completamente nuove con le Generative Adversarial Networks (GAN). Impara a creare e addestrare una Deep Convolutional GAN e a valutare la qualità e la varietà dei suoi risultati.

Introduzione alle GAN

Intuizione sui GAN

Generatore

Discriminatore

GAN convoluzionale profonda

Generatore convoluzionale

Discriminatore convoluzionale

Addestrare le GAN

Loss del generatore

Loss del discriminator

Ciclo di training

Valutare le GAN

Generazione di immagini

Fréchet Inception Distance

Riepilogo

Generazione di immagini con GAN

In questo corso userai PyTorch per esplorare la classificazione di immagini, il riconoscimento di oggetti, la segmentazione e la generazione di immagini. Lavorerai con modelli di classificazione di immagini binaria e multi-classe, sfrutterai modelli pre-addestrati per compiti di deep learning e padroneggerai il rilevamento di oggetti con bounding box. Inoltre, approfondirai la segmentazione di immagini, includendo i tipi semantica, a istanze e panottica, con applicazioni reali. Infine, esplorerai le Generative Adversarial Networks (GAN) e imparerai a valutare la qualità e la diversità delle immagini generate.

Questo corso sul deep learning per immagini con PyTorch ti darà le competenze pratiche e le conoscenze per diventare un esperto nella classificazione delle immagini, nel rilevamento degli oggetti, nella segmentazione e nella generazione. 

<h2>Classifica le immagini con le reti neurali convoluzionali (CNN)</h2>

Applicherai le CNN per la classificazione di immagini binarie e multi-classe e capirai come usare i modelli pre-addestrati in PyTorch. Con i riquadri di delimitazione, potrai anche individuare gli oggetti all'interno di un'immagine e vedere come vanno i modelli di riconoscimento degli oggetti.

<h2>Segmenta le immagini usando delle maschere</h2>

Scopri la segmentazione delle immagini, come quella semantica, per istanza e panottica, usando delle maschere sulle immagini e impara le diverse architetture di modelli che servono per ogni tipo di segmentazione. 

<h2>Crea immagini con le GAN</h2>

Infine, imparerai come creare le tue immagini usando le reti generative avversarie (GAN). Imparerai le competenze necessarie per creare e addestrare Deep Convolutional GAN (DCGAN) e come valutare la qualità e la diversità delle immagini generate.

Alla fine di questo corso, avrai imparato le competenze e l'esperienza per lavorare su vari compiti relativi alle immagini usando i modelli PyTorch.

Intermediate Deep Learning with PyTorch

Applica PyTorch alle immagini e usa modelli di deep learning per rilevamento oggetti e segmentazione.

Deep Learning per Immagini con PyTorch

Apprendimento profondo in Python

Valutare la deforestazione o l'espansione urbana segmentando diversi tipi di copertura del suolo nelle immagini satellitari.

Imaging medico: Identificare e isolare specifiche regioni di interesse, come tumori, vasi sanguigni o organi in risonanze magnetiche o TAC.

Retail: Identificare e contare prodotti specifici sugli scaffali per la gestione dell'inventario.

Veicoli autonomi: Identificare pedoni, veicoli e altri ostacoli per una navigazione sicura e tracciarli nel tempo.

Pianificazione urbana: Analizzare aree urbane, dove gli edifici sono segmentati singolarmente e strade, alberi, ecc. sono segmentati per categoria.

Sorveglianza: Monitorare spazi pubblici affollati distinguendo tra singole persone e identificando anche le diverse aree o zone.

Tipi di segmentazione

Deep Learning per Immagini con PyTorch

esercizio interattivo pratico