Lär dig om bildklassificering med CNN, skillnaden mellan binära modeller och multiklassmodeller för bildklassificering, samt hur du använder transferlärning för bildklassificering i PyTorch.

Binär och flerklassig bildklassificering

Antalet klasser

Modell för binär klassificering

Modell för flerklass-klassificering

Konvolutionslager för bilder

RGB, gråskala eller alfa?

Lägga till ett nytt konvolutionslager

Skapa ett sekventiellt block

Arbeta med förtränade modeller

Spara och läs in en modell

Läsa in en förtränad modell

Bildklassificering med ResNet

Bildklassificering med CNN

Detektera objekt i bilder genom att förutsäga begränsningsramar och utvärdera prestandan hos modeller för objektigenkänning.

Begränsningsramar

Objektigenkänning

Bildtensorer

Rita en begränsningsbox

Utvärdering av objektigenkänningsmodeller

Beräkna IoU

Prediktion av begränsningsrutor

Beräkna NMS

Objektdetektering med R-CNN

Backbone från förtränad modell

Klassificeringsblock

Regressionsblock för bounding box

Regionnätverk med Faster R-CNN

Ankargenerator

Faster R-CNN-modell

Definiera förlustfunktioner för RPN och R-CNN

Lär dig om de tre typerna av bildsegmentering – semantisk, instans- och panotisk segmentering – deras tillämpningar och lämpliga modellarkitekturer för maskininlärning för att utföra var och en av dem.

Introduktion till bildsegmentering

Alternativ

Semantisk segmentering

Instanssegmentering

Panoptisk segmentering

Segmenteringstyper

Skapa binära masker

Segmentera en bild med en mask

Instanssegmentering med Mask R-CNN

Segmentering med förtränad Mask R-CNN

Analysera modellens utdata

Visa mjuka masker

Semantisk segmentering med U-Net

Bygga ett U-Net: definition av lager

Bygga ett U-Net: forward-metoden

Kör semantisk segmentering

Skapa semantiska masker

Lägg över instansmasker

Bildsegmentering

Generera helt nya bilder med Generative Adversarial Networks (GAN). Lär dig bygga och träna ett Deep Convolutional GAN och hur du utvärderar kvaliteten och variationen hos dess utdata.

Introduktion till GAN

Intuition bakom GAN

Generator

Diskriminator

Djupt konvolutionellt GAN

Konvolutionell generator

Konvolutionell diskriminator

Träning av GAN:er

Generatorns förlust

Diskriminatorförlust

Träningsloop

Utvärdering av GAN

Generera bilder

Fréchet Inception Distance

Avslutning

Bildgenerering med GAN

I den här kursen använder du PyTorch för att utforska bildklassificering, objektigenkänning, segmentering och bildgenerering. Du arbetar med både binära och multiklassmodeller för bildklassificering, använder förtränade modeller för djupinlärningsuppgifter och lär dig objektdetektering med begränsningsramar. Dessutom går du in på bildsegmentering – inklusive semantisk, instans- och panotisk segmentering – med verkliga tillämpningar. Avslutningsvis utforskar du Generative Adversarial Networks (GAN) och lär dig utvärdera kvaliteten och variationen hos de genererade bilderna.

Den här kursen i djupinlärning för bilder med PyTorch ger dig de praktiska färdigheter och den kunskap du behöver för att lyckas inom bildklassificering, objektdetektering, segmentering och generering. 

<h2>Klassificera bilder med konvolutionella neurala nätverk (CNN)</h2>

Du kommer att använda CNN:er för binär och flerklassig bildklassificering och förstå hur du kan dra nytta av förtränade modeller i PyTorch. Med hjälp av avgränsningsrutor kan du också upptäcka objekt i en bild och utvärdera prestandan hos objektigenkänningsmodeller.

<h2>Segmentera bilder genom att tillämpa masker</h2>

Utforska bildsegmentering, inklusive semantisk, instans- och panoptisk segmentering, genom att tillämpa masker på bilder och lär dig om de olika modellarkitekturer som behövs för varje typ av segmentering. 

<h2>Generera bilder med GAN:er</h2>

Slutligen lär du dig hur du genererar egna bilder med hjälp av generativa adversariella nätverk (GAN:er). Du kommer att lära dig färdigheterna för att bygga och träna Deep Convolutional GANs (DCGANs) och hur du bedömer kvaliteten och mångfalden hos genererade bilder.

I slutet av den här kursen har du fått de färdigheter och den erfarenhet som krävs för att arbeta med olika bilduppgifter med hjälp av PyTorch-modeller.

Intermediate Deep Learning with PyTorch

Använd PyTorch för bilder och djupinlärning för objektdetektion och bildsegmentering.

Djupinlärning för bilder med PyTorch

Använd PyTorch på bilder och använd deep learning-modeller för objektdetektering med bounding boxes och bildsegmenteringsgenerering.

Djupinlärning i Python

Bedöma avskogning eller stadsutbredning genom att segmentera olika marktäckningstyper i satellitbilder.

Medicinsk bildanalys: Identifiera och isolera specifika regioner av intresse, till exempel tumörer, blodkärl eller organ i MR- eller CT-bilder.

Detaljhandel: Identifiera och räkna specifika produkter på hyllor för lagerhantering.

Autonoma fordon: Identifiera fotgängare, fordon och andra hinder för säker navigering och spåra dem över tid.

Stadsplanering: Analysera stadsområden där byggnader segmenteras individuellt och vägar, träd m.m. segmenteras kategoriskt.

Övervakning: Övervaka folkrika offentliga platser genom att skilja på enskilda personer och samtidigt identifiera olika områden eller zoner.

Segmenteringstyper

Djupinlärning för bilder med PyTorch

Interaktiv övning med praktiskt arbete