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.

Introductie tot beeldsegmentatie

Opties

Semantische segmentatie

Instance-segmentatie

Panoptische segmentatie

Types segmentatie

Binaire masks maken

Afbeelding segmenteren met een masker

Instance-segmentatie met Mask R-CNN

Segmenteren met een voorgetrainde Mask R-CNN

Modeluitvoer analyseren

Zachte masks weergeven

Semantische segmentatie met U-Net

Een U-Net bouwen: laagdefinities

Een U-Net bouwen: forward-methode

Semantische segmentatie uitvoeren

Semantische maskers instellen

Instance-masks overlayen

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 deze cursus gebruik je PyTorch om aan de slag te gaan met beeldclassificatie, objectherkenning, segmentatie en het genereren van afbeeldingen. Je werkt met zowel binaire als multi-class beeldclassificatiemodellen, gebruikt pre-trained modellen voor Deep Learning-taken en leert objectdetectie met bounding boxes. Daarnaast verdiep je je in beeldsegmentatie, waaronder semantische, instance- en panoptische segmentatie, met toepassingen uit de praktijk. Tot slot verken je Generative Adversarial Networks (GANs) en leer je de kwaliteit en diversiteit van de gegenereerde afbeeldingen beoordelen.

Deze cursus over deep learning voor afbeeldingen met PyTorch geeft je de praktische vaardigheden en kennis om goed te worden in het classificeren, detecteren, segmenteren en genereren van afbeeldingen. 

<h2>Classificeer afbeeldingen met convolutionele neurale netwerken (CNN's)</h2>

Je gaat CNN's gebruiken voor het classificeren van afbeeldingen in twee of meerdere klassen en je leert hoe je vooraf getrainde modellen in PyTorch kunt gebruiken. Met bounding boxes kun je ook dingen in een afbeelding vinden en kijken hoe goed objectherkenningsmodellen werken.

<h2>Segmenteer afbeeldingen door maskers toe te passen</h2>

Duik in beeldsegmentatie, zoals semantische, instantie- en panoptische segmentatie, door maskers op afbeeldingen te zetten en leer over de verschillende modelarchitecturen die je voor elk type segmentatie nodig hebt. 

<h2>Maak afbeeldingen met GAN's</h2>

Tot slot leer je hoe je je eigen afbeeldingen kunt maken met behulp van Generative Adversarial Networks (GAN's). Je leert hoe je Deep Convolutional GAN's (DCGAN's) kunt bouwen en trainen, en hoe je de kwaliteit en diversiteit van gegenereerde afbeeldingen kunt beoordelen.

Aan het einde van deze cursus heb je de vaardigheden en ervaring om met PyTorch-modellen aan verschillende beeldtaken te werken.

Intermediate Deep Learning with PyTorch

Gebruik PyTorch voor afbeeldingen en pas deep learning toe voor objectdetectie en segmentatie.

Deep Learning voor afbeeldingen met PyTorch

Gebruik PyTorch voor afbeeldingen en zet deep learning-modellen in voor het vinden van objecten met begrenzingskaders en het maken van beeldsegmentatie.

Deep learning in Python

Ontbossing of verstedelijking beoordelen door verschillende soorten landbedekking in satellietbeelden te segmenteren.

Medische beeldvorming: specifieke interessegebieden identificeren en isoleren, zoals tumoren, bloedvaten of organen in MRI- of CT-scans.

Retail: specifieke producten op schappen identificeren en tellen voor voorraadbeheer.

Autonome voertuigen: voetgangers, voertuigen en andere obstakels identificeren voor veilige navigatie en ze in de tijd volgen.

Stedelijke planning: stedelijke gebieden analyseren, waarbij gebouwen individueel worden gesegmenteerd en wegen, bomen, enz. categorisch worden gesegmenteerd.

Bewaking: drukke openbare ruimtes monitoren door onderscheid te maken tussen individuele mensen en tegelijk verschillende gebieden of zones te identificeren.

Types segmentatie

Deep Learning voor afbeeldingen met PyTorch

Interactieve oefening met praktijkervaring