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

Classificação de imagens binárias e multiclasse

O número de aulas

Modelo de classificação binária

Modelo de classificação multiclasse

Camadas convolucionais para imagens

RGB, escala 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

Detecta objetos em imagens prevendo caixas delimitadoras ao redor deles e avalia o desempenho dos modelos de reconhecimento de objetos.

Caixas delimitadoras

Reconhecimento de objetos

Tensores de imagem

Desenhar uma caixa delimitadora

Avaliando modelos de reconhecimento de objetos

Calcular IoU

Previsão de caixas delimitadoras

Calcular NMS

Detecção de objetos usando R-CNN

Estrutura básica do modelo pré-treinado

Bloco classificador

Bloco regressor de caixa

Propostas de rede regional com Faster R-CNN

Gerador de âncora

Modelo R-CNN mais rápido

Definir perdas para RPN e R-CNN

Conheça os três tipos de segmentação de imagens (semântica, instância e panóptica), suas aplicações e as arquiteturas de modelos de machine learning adequadas para realizar cada uma delas.

Introdução à segmentação de imagens

Opções

Segmentação semântica

Segmentação de instâncias

Segmentação panóptica

Tipos de segmentação

Criando máscaras binárias

Segmentando uma imagem com uma máscara

Segmentação de instâncias com Mask R-CNN

Segmentação com Mask R-CNN pré-treinado

Analisando os resultados do modelo

Exibindo máscaras suaves

Segmentação semântica com U-Net

Construindo uma U-Net: definições das camadas

Construindo uma U-Net: método direto

Executando segmentação semântica

Configurar máscaras semânticas

Máscaras de instância de sobreposição

Segmentação de imagens

Crie imagens totalmente novas com as Redes Adversárias Generativas (GANs). Aprenda a construir e treinar uma GAN convolucional profunda e como avaliar a qualidade e a variedade de seus resultados.

Introdução às GANs

Intuição das GANs

Gerador

Discriminador

GAN convolucional profundo

Gerador convolucional

Discriminador convolucional

Treinamento de GANs

Perda do gerador

Perda do discriminador

Loop de treinamento

Avaliando GANs

Criando imagens

Distância de início de Fréchet

Conclusão

Geração de imagens com GANs

Neste curso, você vai usar o PyTorch pra descobrir classificação de imagens, reconhecimento de objetos, segmentação e geração de imagens. Você vai trabalhar com modelos de classificação de imagens binárias e multiclasse, usar modelos pré-treinados para tarefas de aprendizado profundo e dominar a detecção de objetos com caixas delimitadoras. Além disso, você vai mergulhar na segmentação de imagens, incluindo tipos semânticos, de instância e panópticos, com aplicações do mundo real. Por fim, você vai conhecer as Redes Adversárias Generativas (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.

Aprendizado profundo 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

Avaliando o desmatamento ou a expansão urbana dividindo os tipos de cobertura do solo em imagens de satélite.

Imagem médica: Identificar e isolar áreas específicas de interesse, como tumores, vasos sanguíneos ou órgãos em ressonâncias magnéticas ou tomografias computadorizadas.

Varejo: Identificar e contar produtos específicos nas prateleiras para gerenciar o estoque.

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

Planejamento urbano: Analisando áreas urbanas, onde os prédios são separados um por um e as ruas, árvores e outras coisas são divididas por categorias.

Vigilância: Monitorar lugares públicos lotados, distinguindo cada pessoa e identificando diferentes áreas ou zonas.

Tipos de segmentação

Aprendizado profundo para imagens com PyTorch

Exercício interativo prático