Edycja obrazów z użyciem modeli dyfuzyjnych

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Modele multimodalne z Hugging Face

SkillTag.level.intermediateSkillTag.label

4.8+

173 reviews

Rozpocznij kurs za darmo

Naucz się poruszać po repozytorium modeli Hugging Face oraz przekształcać surowe dane tekstowe, audio i wizualne w formaty przyjazne dla AI. Dowiedz się, jak znajdować najnowsze i najpopularniejsze modele do takich zadań jak generowanie tekstu, i wykorzystaj możliwości gotowych potoków przetwarzania.

Exercise 1: Nawigacja po modelach Hugging Face Exercise 2: Ile jest modeli!?Exercise 3: Znajdowanie najpopularniejszego modelu text-to-image Exercise 4: Przetwarzanie wstępne różnych modalności Exercise 5: Tokenizacja tekstu Exercise 6: Przetwarzanie wstępne obrazów Exercise 7: Wstępne przetwarzanie dźwięku Exercise 8: Zadania potokowe i ewaluacja Exercise 9: Generowanie podpisów obrazów za pomocą potoku Exercise 10: Przekazywanie argumentów słownikowych Exercise 11: Ewaluacja modelu na własnym zbiorze danych

Naucz się pracować z poszczególnymi modalnościami przy użyciu najnowocześniejszych modeli. Zagłęb się w widzenie komputerowe na potrzeby klasyfikacji i segmentacji obrazów, poznaj rozpoznawanie mowy i syntezę mowy z tekstu, a także opanuj skuteczne techniki dostrajania modeli. Zdobywaj praktyczne umiejętności, korzystając z wytrenowanych modeli z biblioteki transformers Hugging Face.

Exercise 1: Wizja komputerowa Exercise 2: Klasyfikacja obrazów Exercise 3: Wykrywanie obiektów Exercise 4: Usuwanie tła obrazu Exercise 5: Dostrajanie modeli computer vision Exercise 6: Dostrajanie CV: przygotowanie zbioru danych Exercise 7: Dostrajanie CV: klasy modelu Exercise 8: Dostrajanie CV: konfiguracja trenera Exercise 9: Rozpoznawanie mowy i generowanie dźwięku Exercise 10: Automatyczne rozpoznawanie mowy Exercise 11: Tworzenie osadzeń mówcy Exercise 12: Odszumianie audio Exercise 13: Dostrajanie modeli text-to-speech Exercise 14: Dostrajanie modelu text-to-speech Exercise 15: Generowanie nowej mowy

Naucz się łączyć informacje wizualne, tekstowe i audio, aby tworzyć bogatsze aplikacje AI. Opanuj techniki takie jak CLIP do klasyfikacji zero-shot, buduj analizatory nastrojów widzące i czytające jednocześnie, oraz twórz detektory emocji łączące mimikę twarzy z głosem. Wyjdź poza myślenie w kategoriach pojedynczej modalności.

Exercise 1: Klasyfikacja obrazów metodą zero-shot Exercise 2: Zero-shot learning z CLIP Exercise 3: Automatyczna ocena jakości podpisu Exercise 4: Multimodalna analiza sentymentu Exercise 5: Prompting modeli językowo-wizyjnych (VLM)Exercise 6: Multimodalna klasyfikacja sentymentu z Qwen Exercise 7: Klasyfikacja wideo metodą zero-shot Exercise 8: Wyodrębnianie audio z wideo Exercise 9: Analiza sentymentu wideo z CLIP i CLAP

Przekształć pomysły w rzeczywistość! Opanuj najnowocześniejsze techniki AI do generowania i manipulowania treściami wizualnymi za pomocą promptów tekstowych. Twórz efektowne obrazy, inteligentnie edytuj zdjęcia i buduj wydajne systemy odpowiadania na pytania dotyczące obrazów i dokumentów. Zamień swoją wizję twórczą w cyfrową rzeczywistość z multimodalną AI.

Exercise 1: Wizualne odpowiadanie na pytania (VQA)Exercise 2: VQA z użyciem Vision Language Transformers (ViLTs)Exercise 3: Document VQA z LayoutLM Exercise 4: Edycja obrazów z użyciem modeli dyfuzyjnych

Bieżące ćwiczenie

Exercise 5: Niestandardowa edycja obrazów Exercise 6: Inpainting obrazów Exercise 7: Generowanie wideo Exercise 8: Stwórz wideo!Exercise 9: Ocena jakości generowania wideo Exercise 10: Gratulacje!