Aprenda sobre classificação de imagens com CNNs, a diferença entre modelos de classificação binária e multiclasse e como usar transferência de aprendizado para classificação de imagens no PyTorch.

Classificação de imagens binária e multiclasse

O número de classes

Modelo de classificação binária

Modelo de classificação multiclasse

Camadas convolucionais para imagens

RGB, tons de cinza ou alfa?

Adicionando uma nova camada convolucional

Criando um bloco sequencial

Trabalhando com modelos pré-treinados

Salvar e carregar um modelo

Carregando um modelo pré-treinado

Classificação de imagens com ResNet

Classificação de Imagens com CNNs

Detecte objetos em imagens prevendo caixas delimitadoras ao redor deles e avalie o desempenho de modelos de reconhecimento de objetos.

Caixas delimitadoras

Reconhecimento de objetos

Tensores de imagem

Desenhando uma caixa delimitadora

Avaliando modelos de reconhecimento de objetos

Calcular IoU

Previsão de bounding boxes

Calcular NMS

Detecção de objetos usando R-CNN

Backbone de modelo pré-treinado

Bloco de classificador

Bloco de regressão de caixas

Propostas de regiões com Faster R-CNN

Gerador de âncoras

Modelo Faster R-CNN

Definir losses para RPN e R-CNN

Reconhecimento de Objetos

Aprenda sobre os três tipos de segmentação de imagens (semântica, por instância e panóptica), suas aplicações e as arquiteturas de modelos de machine learning apropriadas para cada uma.

Introdução à segmentação de imagens

Opções

Segmentação semântica

Segmentação por instância

Segmentação panóptica

Tipos de segmentação

Criando máscaras binárias

Segmentando a imagem com uma máscara

Segmentação de instâncias com Mask R-CNN

Segmentando com Mask R-CNN pré-treinado

Analisando a saída do modelo

Exibindo máscaras suaves

Segmentação semântica com U-Net

Construindo uma U-Net: definições de camadas

Construindo uma U-Net: método forward

Executando segmentação semântica

Configurar máscaras semânticas

Sobrepor máscaras de instância

Segmentação de Imagens

Gere imagens totalmente novas com Generative Adversarial Networks (GANs). Aprenda a construir e treinar uma Deep Convolutional GAN e como avaliar a qualidade e a variedade de suas saídas.

Introdução a GANs

Intuição sobre GANs

Gerador

Discriminador

GAN Convolucional Profunda

Gerador Convolucional

Discriminador Convolucional

Treinando GANs

Perda do gerador

Perda do discriminador

Loop de treinamento

Avaliando GANs

Gerando imagens

Fréchet Inception Distance

Encerramento

Geração de Imagens com GANs

Neste curso, você vai usar PyTorch para aprender classificação de imagens, reconhecimento de objetos, segmentação e geração de imagens. Você vai trabalhar com modelos de classificação binária e multiclasse, utilizar modelos pré-treinados para tarefas de deep learning e dominar a detecção de objetos com caixas delimitadoras. Além disso, vai se aprofundar em segmentação de imagens — incluindo os tipos semântica, por instância e panóptica — com aplicações no mundo real. Por fim, você vai explorar as Generative Adversarial Networks (GANs) e aprender a avaliar a qualidade e a diversidade das imagens geradas.

Este curso sobre aprendizado profundo para imagens usando PyTorch vai te dar as habilidades práticas e o conhecimento pra se destacar em classificação de imagens, detecção de objetos, segmentação e geração. 

<h2>Classifique imagens com redes neurais convolucionais (CNNs)</h2>

Você vai usar CNNs pra classificar imagens binárias e multiclasse e entender como usar modelos pré-treinados no PyTorch. Com as caixas delimitadoras, você também vai poder detectar objetos dentro de uma imagem e avaliar o desempenho dos modelos de reconhecimento de objetos.

<h2>Segmente imagens usando máscaras</h2>

Explore a segmentação de imagens, incluindo segmentação semântica, de instância e panóptica, aplicando máscaras às imagens e conheça as diferentes arquiteturas de modelo necessárias para cada tipo de segmentação. 

<h2>Crie imagens com GANs</h2>

Por fim, você vai aprender a criar suas próprias imagens usando Redes Adversárias Generativas (GANs). Você vai aprender a criar e treinar GANs convolucionais profundas (DCGANs) e a avaliar a qualidade e a diversidade das imagens geradas.

No final deste curso, você vai ter as habilidades e a experiência necessárias para trabalhar com várias tarefas relacionadas a imagens usando modelos PyTorch.

Intermediate Deep Learning with PyTorch

Use PyTorch para detectar objetos em imagens com caixas delimitadoras e segmentação de imagem.

Deep Learning para Imagens com PyTorch

Use o PyTorch em imagens e aproveite os modelos de aprendizado profundo pra detectar objetos com caixas delimitadoras e gerar segmentação de imagens.

Aprendizagem profunda Em Python

Avaliar desmatamento ou expansão urbana segmentando diferentes tipos de cobertura do solo em imagens de satélite.

Imagem médica: identificar e isolar regiões específicas de interesse, como tumores, vasos sanguíneos ou órgãos em exames de RM ou TC.

Varejo: identificar e contar produtos específicos nas prateleiras para gestão de inventário.

Veículos autônomos: identificar pedestres, veículos e outros obstáculos para navegação segura e acompanhá-los ao longo do tempo.

Planejamento urbano: analisar áreas urbanas, em que edifícios são segmentados individualmente e vias, árvores etc. são segmentadas por categorias.

Vigilância: monitorar espaços públicos lotados distinguindo pessoas individualmente e também identificando diferentes áreas ou zonas.

Tipos de segmentação

Deep Learning para Imagens com PyTorch

Exercício interativo prático