Poznaj klasyfikację obrazów z użyciem CNN, różnicę między modelami klasyfikacji binarnej i wieloklasowej oraz naucz się stosować transfer learning do klasyfikacji obrazów w PyTorch.

Binarna i wieloklasowa klasyfikacja obrazów

Liczba klas

Model klasyfikacji binarnej

Model klasyfikacji wieloklasowej

Warstwy splotowe dla obrazów

RGB, skala szarości czy alfa?

Dodawanie nowej warstwy splotowej

Tworzenie bloku sekwencyjnego

Praca z modelami wstępnie wytrenowanymi

Zapis i wczytywanie modelu

Wczytywanie wstępnie wytrenowanego modelu

Klasyfikacja obrazów z użyciem ResNet

Klasyfikacja obrazów z użyciem CNN

Wykrywaj obiekty na obrazach, przewidując otaczające je ramki ograniczające, i oceniaj skuteczność modeli rozpoznawania obiektów.

Ramki ograniczające

Rozpoznawanie obiektów

Tensory obrazów

Rysowanie ramki ograniczającej

Ocena modeli rozpoznawania obiektów

Oblicz IoU

Przewidywanie ramek ograniczających

Oblicz NMS

Detekcja obiektów z użyciem R-CNN

Szkielet wstępnie wytrenowanego modelu

Blok klasyfikatora

Blok regresora ramki

Propozycje regionów sieci z użyciem Faster R-CNN

Generator kotwic

Model Faster R-CNN

Definiowanie funkcji straty dla RPN i R-CNN

Poznaj trzy rodzaje segmentacji obrazów – semantyczną, instancyjną i panoptyczną – ich zastosowania oraz odpowiednie architektury modeli uczenia maszynowego do każdego z nich.

Wprowadzenie do segmentacji obrazów

Opcje

Segmentacja semantyczna

Segmentacja instancji

Segmentacja panoptyczna

Typy segmentacji

Tworzenie masek binarnych

Segmentowanie obrazu za pomocą maski

Segmentacja instancji z Mask R-CNN

Segmentacja z użyciem wstępnie wytrenowanego Mask R-CNN

Analiza wyników modelu

Wyświetlanie miękkich masek

Segmentacja semantyczna z U-Net

Budowanie U-Netu: definicje warstw

Budowanie U-Netu: metoda forward

Uruchamianie segmentacji semantycznej

Konfiguracja masek semantycznych

Nakładanie masek instancji

Segmentacja obrazów

Generuj zupełnie nowe obrazy z użyciem generatywnych sieci przeciwstawnych (GAN). Naucz się budować i trenować głęboką konwolucyjną sieć GAN oraz oceniać jakość i różnorodność jej wyników.

Wprowadzenie do GAN-ów

Intuicja stojąca za GAN-ami

Generator

Dyskryminator

Głęboka konwolucyjna sieć GAN

Generator splotowy

Konwolucyjny dyskryminator

Trenowanie GAN-ów

Strata generatora

Strata dyskryminatora

Pętla treningowa

Ocena jakości GAN-ów

Generowanie obrazów

Fréchet Inception Distance

Podsumowanie

Generowanie obrazów z użyciem GAN

W tym kursie wykorzystasz PyTorch do klasyfikacji obrazów, rozpoznawania obiektów, segmentacji i generowania obrazów. Będziesz pracować z modelami klasyfikacji binarnej i wieloklasowej, korzystać z wytrenowanych modeli do zadań głębokiego uczenia oraz opanujesz wykrywanie obiektów z użyciem ramek ograniczających. Zagłębisz się również w segmentację obrazów – semantyczną, instancyjną i panoptyczną – wraz z ich praktycznymi zastosowaniami. Na koniec poznasz generatywne sieci przeciwstawne (GAN) i nauczysz się oceniać jakość oraz różnorodność generowanych obrazów.

Ten kurs głębokiego uczenia dla obrazów z wykorzystaniem PyTorch wyposaży Cię w praktyczne umiejętności i wiedzę potrzebne do osiągnięcia doskonałości w klasyfikacji obrazów, wykrywaniu obiektów, segmentacji i generowaniu. 

<h2>Klasyfikuj obrazy za pomocą konwolucyjnych sieci neuronowych (CNN)</h2>

Zastosujesz CNN do binarnej i wieloklasowej klasyfikacji obrazów oraz zrozumiesz, jak wykorzystywać wstępnie wytrenowane modele w PyTorch. Dzięki ramkom ograniczającym będziesz także w stanie wykrywać obiekty na obrazie i oceniać skuteczność modeli rozpoznawania obiektów.

<h2>Segmentuj obrazy, stosując maski</h2>

Poznaj segmentację obrazów, w tym segmentację semantyczną, instancyjną i panoptyczną, poprzez nakładanie masek na obrazy oraz dowiedz się więcej o różnych architekturach modeli potrzebnych do każdego typu segmentacji. 

<h2>Generuj obrazy za pomocą GAN-ów</h2>

Na koniec nauczysz się, jak generować własne obrazy za pomocą generatywnych sieci przeciwstawnych (GAN). Nauczysz się umiejętności potrzebnych do budowania i trenowania głębokich konwolucyjnych GAN-ów (DCGAN-ów) oraz tego, jak oceniać jakość i różnorodność generowanych obrazów.

Pod koniec tego kursu zdobędziesz umiejętności i doświadczenie potrzebne do pracy z różnymi zadaniami związanymi z obrazami przy użyciu modeli PyTorch.

Intermediate Deep Learning with PyTorch

Zastosuj PyTorch do obrazów, użyj modeli głębokiego uczenia do wykrywania obiektów i segmentacji.

Głębokie uczenie dla obrazów z PyTorch

Zastosuj PyTorch do obrazów i używaj modeli deep learning do wykrywania obiektów z bounding boxes oraz generowania image segmentation.

Deep Learning w Pythonie

Ocena wylesiania lub rozrostu miast poprzez segmentację różnych typów pokrycia terenu na zdjęciach satelitarnych.

Obrazowanie medyczne: identyfikacja i izolowanie określonych obszarów zainteresowania, takich jak guzy, naczynia krwionośne lub narządy na zdjęciach MRI lub TK.

Handel detaliczny: identyfikacja i zliczanie konkretnych produktów na półkach na potrzeby zarządzania zapasami.

Pojazdy autonomiczne: wykrywanie pieszych, pojazdów i innych przeszkód w celu bezpiecznej nawigacji oraz śledzenie ich w czasie.

Planowanie urbanistyczne: analiza obszarów miejskich, w której budynki są segmentowane indywidualnie, a drogi, drzewa itp. – kategorialnie.

Monitoring: obserwacja zatłoczonych przestrzeni publicznych poprzez rozróżnianie poszczególnych osób przy jednoczesnej identyfikacji różnych obszarów i stref.

Typy segmentacji

Głębokie uczenie dla obrazów z PyTorch

Interaktywne ćwiczenie praktyczne