CNN'lerle görüntü sınıflandırmayı, ikili ve çok sınıflı görüntü sınıflandırma modelleri arasındaki farkı ve PyTorch'ta aktarım öğrenimini kullanarak görüntü sınıflandırmayı öğren.

İkili ve çok sınıflı görüntü sınıflandırma

Sınıf sayısı

İkili sınıflandırma modeli

Çok sınıflı sınıflandırma modeli

Görseller için evrişim katmanları

RGB, gri tonlama mı, yoksa alfa mı?

Yeni bir evrişim katmanı ekleme

Ardışık bir blok oluşturma

Önceden eğitilmiş modellerle çalışma

Bir modeli kaydet ve yükle

Önceden eğitilmiş bir modeli yükleme

ResNet ile görüntü sınıflandırma

CNN'lerle Görüntü Sınıflandırma

Görüntülerde nesneleri etraflarına sınırlayıcı kutular tahmin ederek tespit et ve nesne tanıma modellerinin performansını değerlendir.

Sınır kutuları

Nesne tanıma

Görüntü tensörleri

Bir bounding box çizmek

Nesne tanıma modellerini değerlendirme

IoU Hesapla

Sınırlayıcı kutu tahmini

NMS Hesapla

R-CNN kullanarak nesne tespiti

Önceden eğitilmiş model omurgası

Sınıflandırıcı bloğu

Kutu regresörü bloğu

Faster R-CNN ile bölge ağı önerileri

Çapa üretici

Faster R-CNN modeli

RPN ve R-CNN için loss'ları tanımla

Nesne Tanıma

Üç tür görüntü bölütlemeyi (anlamsal, örnek ve panoramik), bunların uygulamalarını ve her biri için uygun Machine Learning model mimarilerini öğren.

Görüntü bölütlemeye giriş

Seçenekler

Anlamsal segmentasyon

Örnek segmentasyon

Panoptik segmentasyon

Segmentasyon türleri

İkili maskeler oluşturma

Maskeyle görüntü bölütleme

Mask R-CNN ile örnek bölütleme

Önceden eğitilmiş Mask R-CNN ile segmentasyon

Model çıktısını analiz etme

Yumuşak maskeleri görüntüleme

U-Net ile anlamsal segmentasyon

U-Net oluşturma: katman tanımları

U-Net kurma: forward yöntemi

Anlamsal segmentasyonu çalıştırma

Anlamsal maskeleri hazırlama

Örnek (instance) maskelerini bindirme

Görüntü Bölütleme

Generative Adversarial Networks (GANs) ile tamamen yeni görüntüler üret. Derin Evrişimsel bir GAN kurmayı ve eğitmeyi, ayrıca çıktılarının kalite ve çeşitliliğini nasıl değerlendireceğini öğren.

GAN’lere Giriş

GAN sezgisi

Jeneratör

Discriminator

Derin Evrişimsel GAN

Evrişimsel Üreteç

Evrişimsel Ayrıştırıcı (Discriminator)

GAN'leri Eğitme

Üreteç kaybı

Ayrıştırıcı kaybı

Eğitim döngüsü

GAN'leri Değerlendirme

Görsel üretme

Fréchet Inception Distance

Kapanış

GAN'lerle Görüntü Üretimi

Bu kursta, görüntü sınıflandırma, nesne tanıma, bölütleme ve görüntü üretimini keşfetmek için PyTorch kullanacaksın. Hem ikili hem de çok sınıflı görüntü sınıflandırma modelleriyle çalışacak, derin öğrenme görevleri için önceden eğitilmiş modellerden yararlanacak ve sınırlayıcı kutularla nesne tespitinde ustalaşacaksın. Ayrıca, anlamsal, örnek ve panoramik türler dahil görüntü bölütlemeye ve gerçek dünya uygulamalarına dalacaksın. Son olarak, Generative Adversarial Networks (GANs) dünyasını keşfedecek ve üretilen görüntülerin kalite ve çeşitliliğini değerlendirmeyi öğreneceksin.

PyTorch kullanarak görüntüler için derin öğrenme üzerine olan bu kurs, görüntü sınıflandırma, nesne algılama, segmentasyon ve üretme alanlarında başarılı olmak için gerekli pratik becerileri ve bilgileri size kazandıracaktır. 

<h2>Görüntüleri evrişimli sinir ağları (CNN) ile sınıflandırın</h2>

CNN'leri ikili ve çok sınıflı görüntü sınıflandırması için uygulayacak ve PyTorch'ta önceden eğitilmiş modelleri nasıl kullanabileceğinizi öğreneceksiniz. Sınırlayıcı kutularla, bir görüntüdeki nesneleri algılayabilir ve nesne tanıma modellerinin performansını değerlendirebilirsiniz.

<h2>Maskeler uygulayarak görüntüleri bölümlere ayırın</h2>

Görüntülere maskeler uygulayarak semantik, örnek ve panoptik segmentasyon dahil olmak üzere görüntü segmentasyonunu keşfedin ve her segmentasyon türü için gerekli olan farklı model mimarileri hakkında bilgi edinin. 

<h2>GAN'larla görüntüler oluşturun</h2>

Son olarak, Generative Adversarial Networks (GAN) kullanarak kendi görüntülerinizi nasıl oluşturacağınızı öğreneceksiniz. Derin Evrişimli GAN'lar (DCGAN'lar) oluşturma ve eğitme becerilerini ve üretilen görüntülerin kalitesini ve çeşitliliğini değerlendirme yöntemlerini öğreneceksiniz.

Bu kursun sonunda, PyTorch modellerini kullanarak çeşitli görüntü görevlerinde çalışmak için gerekli beceri ve deneyimi kazanmış olacaksınız.

Intermediate Deep Learning with PyTorch

PyTorch'u görüntülere uygulayın, nesne tespiti ve görüntü segmentasyonu için derin öğrenme kullanın.

PyTorch ile Görüntüler için Deep Learning

PyTorch'u görüntülere uygulayın ve sınırlayıcı kutular ve görüntü segmentasyonu oluşturma ile nesne algılama için derin öğrenme modellerini kullanın.

Derin Öğrenme Python'da

Uydu görüntülerinde farklı arazi örtüsü türlerini segmente ederek ormansızlaşma veya çarpık kentleşmeyi değerlendirmek.

Tıbbi Görüntüleme: MR veya BT taramalarında tümörler, kan damarları ya da organlar gibi ilgi bölgelerini belirleyip ayırmak.

Perakende: Envanter yönetimi için raflardaki belirli ürünleri tespit etmek ve saymak.

Otonom araçlar: Yayaları, araçları ve diğer engelleri güvenli gezinme için tanımlamak ve zaman içinde izlemek.

Kentsel planlama: Binaların tek tek segmente edildiği, yolların, ağaçların vb. ise kategorik olarak segmente edildiği kentsel alanları analiz etmek.

Güvenlik: Kalabalık kamusal alanları, bireyleri tek tek ayırt ederken aynı zamanda farklı alanları veya bölgeleri de tanımlayarak izlemek.

Segmentasyon türleri

PyTorch ile Görüntüler için Deep Learning

Uygulamalı etkileşimli egzersiz