Descoperă clasificarea imaginilor cu rețele CNN, diferența dintre modelele de clasificare binară și multi-clasă, și cum să aplici transfer learning pentru clasificarea imaginilor în PyTorch.

Clasificarea binară și multi-clasă a imaginilor

Numărul de clase

Model de clasificare binară

Model de clasificare multi-clasă

Straturi convoluționale pentru imagini

RGB, tonuri de gri sau alpha?

Adăugarea unui nou strat convoluțional

Crearea unui bloc secvențial

Lucrul cu modele pre-antrenate

Salvează și încarcă un model

Încărcarea unui model pre-antrenat

Clasificarea imaginilor cu ResNet

Clasificarea imaginilor cu rețele CNN

Detectează obiecte în imagini prin predicția bounding box-urilor și evaluează performanța modelelor de recunoaștere a obiectelor.

Casete de delimitare

Recunoașterea obiectelor

Tensori de imagine

Desenarea unei cutii de delimitare

Evaluarea modelelor de recunoaștere a obiectelor

Calculează IoU

Predicția casetelor de delimitare

Calculează NMS

Detecția obiectelor cu R-CNN

Backbone din model pre-antrenat

Blocul de clasificare

Bloc de regresie pentru bounding box

Propuneri de regiuni cu Faster R-CNN

Generator de ancore

Modelul Faster R-CNN

Definește funcțiile de pierdere pentru RPN și R-CNN

Află despre cele trei tipuri de segmentare a imaginilor (semantică, de instanță și panoptică), aplicațiile lor și arhitecturile de modele de învățare automată potrivite pentru fiecare.

Introducere în segmentarea imaginilor

Opțiuni

Segmentare semantică

Segmentare pe instanțe

Segmentare panoptică

Tipuri de segmentare

Crearea măștilor binare

Segmentarea imaginii cu o mască

Segmentare de instanță cu Mask R-CNN

Segmentare cu Mask R-CNN pre-antrenat

Analiza rezultatelor modelului

Afișarea măștilor soft

Segmentare semantică cu U-Net

Construirea unui U-Net: definirea straturilor

Construirea unui U-Net: metoda forward

Rularea segmentării semantice

Configurează măștile semantice

Suprapunerea măștilor de instanță

Segmentarea imaginilor

Generează imagini complet noi cu rețele generative adversariale (GAN). Învață să construiești și să antrenezi un GAN convoluțional profund și să evaluezi calitatea și varietatea rezultatelor sale.

Introducere în GAN-uri

Intuiția din spatele GAN-urilor

Generator

Discriminatorul

GAN convoluțional profund

Generator convoluțional

Discriminator convoluțional

Antrenarea GAN-urilor

Pierderea generatorului

Pierderea discriminatorului

Bucla de antrenament

Evaluarea rețelelor GAN

Generarea imaginilor

Distanța Fréchet Inception

Recapitulare

Generarea imaginilor cu GAN

În acest curs, vei folosi PyTorch pentru a explora clasificarea imaginilor, recunoașterea obiectelor, segmentarea și generarea de imagini. Vei lucra cu modele de clasificare binară și multi-clasă, vei utiliza modele pre-antrenate pentru sarcini de învățare profundă și vei stăpâni detectarea obiectelor cu ajutorul bounding box-urilor. În plus, vei aprofunda segmentarea imaginilor – semantică, de instanță și panoptică – cu aplicații din lumea reală. La final, vei explora rețelele generative adversariale (GAN) și vei învăța să evaluezi calitatea și diversitatea imaginilor generate.

Acest curs despre deep learning pentru imagini folosind PyTorch îți va oferi abilitățile practice și cunoștințele necesare pentru a excela în clasificarea imaginilor, detectarea obiectelor, segmentare și generare. 

<h2>Clasifică imaginile cu rețele neuronale convoluționale (CNN)</h2>

Vei aplica CNN-uri pentru clasificarea imaginilor binară și multi-clasă și vei înțelege cum să valorifici modelele pre-antrenate în PyTorch. Cu ajutorul bounding box-urilor, vei putea, de asemenea, să detectezi obiecte într-o imagine și să evaluezi performanța modelelor de recunoaștere a obiectelor.

<h2>Segmentează imaginile aplicând măști</h2>

Explorează segmentarea imaginilor, inclusiv segmentarea semantică, de instanță și panoptică, prin aplicarea de măști asupra imaginilor și află despre diferitele arhitecturi de modele necesare pentru fiecare tip de segmentare. 

<h2>Generează imagini cu GAN-uri</h2>

În cele din urmă, vei învăța cum să generezi propriile imagini folosind Rețele Adversariale Generative (GAN-uri). Vei învăța abilitățile necesare pentru a construi și antrena rețele GAN convoluționale profunde (DCGAN-uri) și cum să evaluezi calitatea și diversitatea imaginilor generate.

Până la finalul acestui curs, vei dobândi abilitățile și experiența necesare pentru a lucra cu diverse sarcini de procesare a imaginilor folosind modele PyTorch.

Intermediate Deep Learning with PyTorch

Aplică PyTorch pe imagini și folosește modele de deep learning pentru detectarea obiectelor și segmentare.

Deep Learning pentru imagini cu PyTorch

Aplică PyTorch imaginilor și folosește modele de deep learning pentru detecția obiectelor cu bounding box-uri și generarea segmentării imaginilor.

Învățare profundă în Python

Evaluarea despăduririlor sau a extinderii urbane prin segmentarea diferitelor tipuri de acoperire a terenului în imagini satelitare.

Imagistică medicală: identificarea și izolarea unor regiuni de interes specifice, precum tumori, vase de sânge sau organe, în imagini RMN sau CT.

Retail: identificarea și numărarea unor produse specifice de pe rafturi pentru gestionarea stocurilor.

Vehicule autonome: identificarea pietonilor, a vehiculelor și a altor obstacole pentru navigare sigură și urmărirea acestora în timp.

Urbanism: analiza zonelor urbane, în care clădirile sunt segmentate individual, iar drumurile, copacii etc. sunt segmentate pe categorii.

Supraveghere: monitorizarea spațiilor publice aglomerate prin diferențierea persoanelor individuale și identificarea simultană a diferitelor zone sau arii.

Tipuri de segmentare

Deep Learning pentru imagini cu PyTorch

Exercițiu interactiv practic