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.

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

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

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 pratico interattivo