Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 28.897
- Реакции
- 382.822
[Udemy] Глубокое обучение для компьютерного зрения с TensorFlow 2 (2022)
Этот новый курс является обновленной версией предыдущего курса Deep Learning for Computer Vision с Tensorflow2.X.
Он содержит новые классы, подробно объясняющие многие современные алгоритмы классификации изображений и обнаружения объектов.
Курс был полностью написан с использованием Google Colaboratory (Colab) , чтобы помочь студентам, у которых нет карты GPU в вашей локальной системе, однако вы можете легко пройти курс, если она у вас есть.
На этот раз курс начинает подробно объяснять строительные блоки ConvNets, которые являются основой для классификации изображений и базой для экстракторов признаков в новейших алгоритмах обнаружения объектов.
Мы собираемся подробно изучить следующие концепции и алгоритмы:
– Основы изображения в компьютерном зрении,
- Загружать изображения в генераторы с помощью TensorFlow,
– операция свертки,
– Разреженные соединения и совместное использование параметров,
– Сепарабельная свертка по глубине,
- Прокладка,
— Слой Conv2D с Tensorflow,
– объединяющий слой,
– полносвязный слой,
- Пакетная нормализация,
– Активация ReLU и другие функции,
– Расчет количества параметров тренировки,
- Увеличение изображения и т. д.
– Различные архитектуры ConvNets, такие как:
* Ленет5,
* АлексНет,
* ВГГ-16,
* Реснет,
* Зарождение,
* Последний современный Vision Transformer (ViT)
– Множество практических приложений, использующих известные наборы данных и источники, такие как:
* Covid19 на рентгеновских снимках,
* СИФАР10,
* Мод МНИСТ,
* BCCD,
* набор данных COCO,
* Откройте набор данных изображений V6 через Voxel FiftyOne,
* РОБОФЛОУ
В главе «Обнаружение объектов» мы изучим теорию и применение основных алгоритмов обнаружения объектов, совершив путешествие с самого начала до самых современных алгоритмов.
Вы сможете использовать основные алгоритмы обнаружения объектов для разработки практических приложений.
Некоторое содержание этой главы следующее:
– Вехи обнаружения объектов со времен алгоритма выборочного поиска ,
– Метрики обнаружения объектов,
– Теоретическая основа для R-CNN, Fast R-CNN и Faster R-CNN ,
– Обнаружение клеток крови с помощью приложения Faster R-CNN,
– Теоретическая основа для детектора одиночных выстрелов (SSD) ,
– Обучайте свои наборы таможенных данных, используя разные модели с помощью TensorFlow Object Detection API.
- Обнаружение объектов на изображениях и видео,
– Теория YOLOv2 и YOLOv3 .
– Обнаружение объектов из приложения набора данных COCO с использованием модели YOLOv4 .
– Теоретический класс YOLOv4
– Практическое приложение для обнаружения роботов с использованием пользовательского набора данных (набор данных роботов R2D2 и C3PO ) и модели YOLOv4.
– Практическое приложение для распознавания номерных знаков, преобразующее изображения номерных знаков в необработанный текстовый формат (OCR) с помощью Yolov4, OpenCV и ConvNets.
-Обнаружение объектов с новейшим современным YOLOv7.
В этом курсе вы найдете краткий обзор теории с интуитивными концепциями алгоритмов и сможете применить свои знания на практике с множеством практических примеров, используя свои собственные наборы данных.
Этот новый курс представляет собой значительное улучшение предыдущего курса, однако предыдущий курс был очень хорошо оценен студентами, некоторые из вдохновляющих комментариев здесь:
* Максимилиано Д'Амико (5 звезд): Очень интересный и обновленный курс YOLO!
* Стефан Ланкестер (5 звезд): Спасибо Карлосу за это ценное обучение. Хорошее объяснение с широкой трактовкой распознавания предметных объектов на изображениях и видео. Показаны интересные примеры и ссылки на необходимые ресурсы. Хорошее объяснение того, какие версии различных пакетов Python следует использовать для получения успешных результатов.
* Шихаб (5 звезд): Это был действительно потрясающий курс. Должен рекомендовать для всех.
* Estanislau de Sena Filho (5 звезд): Отличный курс. Отличное объяснение. Это лучший курс машинного обучения для компьютерного зрения. я рекомендую это
* Areej AI Medinah (5 звезд): Курс действительно хорош для компьютерного зрения. Он состоит из всего материала, необходимого для реализации проектов компьютерного зрения на практике. После создания отличного понимания с помощью теории, он также дает практический опыт.
* Дэйв Роберто (5 звезд): Курс того стоит. Преподаватель четко передает понятия и видно, что он их очень хорошо понимает (с другими курсами такого ощущения нет). Схемы, которые он использует, не являются обычными, которые вы можете увидеть в других курсах, но они действительно помогают лучше проиллюстрировать и понять. Я бы поставила курсу восемь звезд, но максимум пять. Это один из немногих курсов Udemy, которым я остался очень доволен.
Для кого этот курс:
Подробнее:
Этот новый курс является обновленной версией предыдущего курса Deep Learning for Computer Vision с Tensorflow2.X.
Он содержит новые классы, подробно объясняющие многие современные алгоритмы классификации изображений и обнаружения объектов.
Курс был полностью написан с использованием Google Colaboratory (Colab) , чтобы помочь студентам, у которых нет карты GPU в вашей локальной системе, однако вы можете легко пройти курс, если она у вас есть.
На этот раз курс начинает подробно объяснять строительные блоки ConvNets, которые являются основой для классификации изображений и базой для экстракторов признаков в новейших алгоритмах обнаружения объектов.
Мы собираемся подробно изучить следующие концепции и алгоритмы:
– Основы изображения в компьютерном зрении,
- Загружать изображения в генераторы с помощью TensorFlow,
– операция свертки,
– Разреженные соединения и совместное использование параметров,
– Сепарабельная свертка по глубине,
- Прокладка,
— Слой Conv2D с Tensorflow,
– объединяющий слой,
– полносвязный слой,
- Пакетная нормализация,
– Активация ReLU и другие функции,
– Расчет количества параметров тренировки,
- Увеличение изображения и т. д.
– Различные архитектуры ConvNets, такие как:
* Ленет5,
* АлексНет,
* ВГГ-16,
* Реснет,
* Зарождение,
* Последний современный Vision Transformer (ViT)
– Множество практических приложений, использующих известные наборы данных и источники, такие как:
* Covid19 на рентгеновских снимках,
* СИФАР10,
* Мод МНИСТ,
* BCCD,
* набор данных COCO,
* Откройте набор данных изображений V6 через Voxel FiftyOne,
* РОБОФЛОУ
В главе «Обнаружение объектов» мы изучим теорию и применение основных алгоритмов обнаружения объектов, совершив путешествие с самого начала до самых современных алгоритмов.
Вы сможете использовать основные алгоритмы обнаружения объектов для разработки практических приложений.
Некоторое содержание этой главы следующее:
– Вехи обнаружения объектов со времен алгоритма выборочного поиска ,
– Метрики обнаружения объектов,
– Теоретическая основа для R-CNN, Fast R-CNN и Faster R-CNN ,
– Обнаружение клеток крови с помощью приложения Faster R-CNN,
– Теоретическая основа для детектора одиночных выстрелов (SSD) ,
– Обучайте свои наборы таможенных данных, используя разные модели с помощью TensorFlow Object Detection API.
- Обнаружение объектов на изображениях и видео,
– Теория YOLOv2 и YOLOv3 .
– Обнаружение объектов из приложения набора данных COCO с использованием модели YOLOv4 .
– Теоретический класс YOLOv4
– Практическое приложение для обнаружения роботов с использованием пользовательского набора данных (набор данных роботов R2D2 и C3PO ) и модели YOLOv4.
– Практическое приложение для распознавания номерных знаков, преобразующее изображения номерных знаков в необработанный текстовый формат (OCR) с помощью Yolov4, OpenCV и ConvNets.
-Обнаружение объектов с новейшим современным YOLOv7.
В этом курсе вы найдете краткий обзор теории с интуитивными концепциями алгоритмов и сможете применить свои знания на практике с множеством практических примеров, используя свои собственные наборы данных.
Этот новый курс представляет собой значительное улучшение предыдущего курса, однако предыдущий курс был очень хорошо оценен студентами, некоторые из вдохновляющих комментариев здесь:
* Максимилиано Д'Амико (5 звезд): Очень интересный и обновленный курс YOLO!
* Стефан Ланкестер (5 звезд): Спасибо Карлосу за это ценное обучение. Хорошее объяснение с широкой трактовкой распознавания предметных объектов на изображениях и видео. Показаны интересные примеры и ссылки на необходимые ресурсы. Хорошее объяснение того, какие версии различных пакетов Python следует использовать для получения успешных результатов.
* Шихаб (5 звезд): Это был действительно потрясающий курс. Должен рекомендовать для всех.
* Estanislau de Sena Filho (5 звезд): Отличный курс. Отличное объяснение. Это лучший курс машинного обучения для компьютерного зрения. я рекомендую это
* Areej AI Medinah (5 звезд): Курс действительно хорош для компьютерного зрения. Он состоит из всего материала, необходимого для реализации проектов компьютерного зрения на практике. После создания отличного понимания с помощью теории, он также дает практический опыт.
* Дэйв Роберто (5 звезд): Курс того стоит. Преподаватель четко передает понятия и видно, что он их очень хорошо понимает (с другими курсами такого ощущения нет). Схемы, которые он использует, не являются обычными, которые вы можете увидеть в других курсах, но они действительно помогают лучше проиллюстрировать и понять. Я бы поставила курсу восемь звезд, но максимум пять. Это один из немногих курсов Udemy, которым я остался очень доволен.
Для кого этот курс:
- Пользователи среднего уровня, которые хотят узнать о последних алгоритмах SOTA
- Пользователи, которые хотят в сжатой форме изучить теорию основных алгоритмов SOTA.
- Пользователи, которые хотят научиться реализовывать практические приложения для обнаружения объектов и классификации изображений.
- Питон, ТензорФлоу
- OpenCV
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
