Learn about image classification with CNNs, the difference between the binary and multi-class image classification models, and how to use transfer learning for image classification in PyTorch.

Binary and multi-class image classification

The number of classes

Binary classification model

Multi-class classification model

Convolutional layers for images

RGB, grayscale, or alpha?

Adding a new convolutional layer

Creating a sequential block

Working with pre-trained models

Save and load a model

Loading a pre-trained model

Image classification with ResNet

Image Classification with CNNs

Detect objects in images by predicting bounding boxes around them and evaluate the performance of object recognition models.

Bounding boxes

Object recognition

Image tensors

Drawing a bounding box

Evaluating object recognition models

Calculate IoU

Bounding boxes prediction

Calculate NMS

Object detection using R-CNN

Pre-trained model backbone

Classifier block

Box regressor block

Region network proposals with Faster R-CNN

Anchor generator

Faster R-CNN model

Define losses for RPN and R-CNN

Object Recognition

Learn about the three types of image segmentation (semantic, instance, and panoptic), their applications, and the appropriate machine learning model architectures to perform each of them.

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

Image Segmentation

Generate completely new images with Generative Adversarial Networks (GANs). Learn to build and train a Deep Convolutional GAN, and how to evaluate the quality and variety of its outputs.

Introduction to GANs

GANs intuition

Generator

Discriminator

Deep Convolutional GAN

Convolutional Generator

Convolutional Discriminator

Training GANs

Generator loss

Discriminator loss

Training loop

Evaluating GANs

Generating images

Fréchet Inception Distance

Wrap-up

Image Generation with GANs

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 interaktif egzersiz