Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 41.314
- Реакции
- 662.973
[Udemy] Компьютерное зрение с глубоким обучением (2022)
Будьте в курсе последних достижений в области машинного обучения и создавайте отраслевое портфолио с помощью этого курса, изучая основные концепции компьютерного зрения и глубокого обучения , обнаружение объектов , классификацию изображений и отслеживание объектов .
Недавние инновации в технологии машинного обучения привели к огромным технологическим преобразованиям, и большая часть бизнеса в настоящее время переходит на технологические бизнес-модели, основанные на глубоком обучении и компьютерном зрении. Чтобы поддерживать конкурентоспособность в отрасли, очень важно быть в курсе последних событий и накапливать опыт в этих навыках.
Курс был разработан, чтобы дать вам возможность ознакомиться с основными концепциями компьютерного зрения и глубокого обучения с помощью нейронной сети, ANN, CNN, а также с функцией активации. После изучения этих основ курс подробно объясняет архитектуру обнаружения объектов, иллюстрирует, чем она отличается от отслеживания объектов, а затем подробно описывает широко используемые модели обнаружения объектов по мере их развития с течением времени. Для начала мы начнем с проектирования архитектуры модели R-CNN, а затем перейдем к модели FAST R-CNN, которая является усовершенствованной версией R-CNN. После этого мы объясняем концепцию региональной сети предложений (RPN), а затем используем ее для создания БЫСТРОЙ МОДЕЛИ R-CNN и закрытия этого наследия с помощью модели R-FCN. Двигаясь дальше, курс углубляется в продвинутые модели обнаружения объектов, начиная с Retinanet,
После этого мы переходим к следующему логическому шагу классификации изображений, поскольку выходные данные обнаруженных объектов используются моделями классификации изображений для лучшей идентификации входных данных. Мы начнем с базовых алгоритмов классификации изображений машинного обучения, таких как машины опорных векторов (SVM), дерево решений и K ближайших соседей (KNN), а затем перейдем к продвинутым алгоритмам, таким как VGG-16, ResNet50, Inceptionv3 и модель EfficientNet.
Ближе к концу мы перейдем к окончательной концепции отслеживания объектов, где после идентификации объектов в видео мы начинаем отслеживать его как видеопроцесс. В рамках отслеживания объектов мы рассмотрим алгоритм среднего сдвига, SORT и DeepSort Framework.
Курс был разработан для подробного объяснения концепций глубокого обучения и компьютерного зрения, сначала объясняя технологические концепции, а затем их реализацию с помощью кода. Подробное руководство по коду было включено для всех реализаций кода в проектах, а исходный код доступен для загрузки. В дополнение к этому, викторина в курсе поможет вам оценить свои знания и определить области для улучшения.
Запишитесь на этот курс и станьте специалистом в области машинного обучения. Вот лишь некоторые из проектов, которые мы будем разрабатывать:
Подробнее:
Будьте в курсе последних достижений в области машинного обучения и создавайте отраслевое портфолио с помощью этого курса, изучая основные концепции компьютерного зрения и глубокого обучения , обнаружение объектов , классификацию изображений и отслеживание объектов .
Недавние инновации в технологии машинного обучения привели к огромным технологическим преобразованиям, и большая часть бизнеса в настоящее время переходит на технологические бизнес-модели, основанные на глубоком обучении и компьютерном зрении. Чтобы поддерживать конкурентоспособность в отрасли, очень важно быть в курсе последних событий и накапливать опыт в этих навыках.
Курс был разработан, чтобы дать вам возможность ознакомиться с основными концепциями компьютерного зрения и глубокого обучения с помощью нейронной сети, ANN, CNN, а также с функцией активации. После изучения этих основ курс подробно объясняет архитектуру обнаружения объектов, иллюстрирует, чем она отличается от отслеживания объектов, а затем подробно описывает широко используемые модели обнаружения объектов по мере их развития с течением времени. Для начала мы начнем с проектирования архитектуры модели R-CNN, а затем перейдем к модели FAST R-CNN, которая является усовершенствованной версией R-CNN. После этого мы объясняем концепцию региональной сети предложений (RPN), а затем используем ее для создания БЫСТРОЙ МОДЕЛИ R-CNN и закрытия этого наследия с помощью модели R-FCN. Двигаясь дальше, курс углубляется в продвинутые модели обнаружения объектов, начиная с Retinanet,
После этого мы переходим к следующему логическому шагу классификации изображений, поскольку выходные данные обнаруженных объектов используются моделями классификации изображений для лучшей идентификации входных данных. Мы начнем с базовых алгоритмов классификации изображений машинного обучения, таких как машины опорных векторов (SVM), дерево решений и K ближайших соседей (KNN), а затем перейдем к продвинутым алгоритмам, таким как VGG-16, ResNet50, Inceptionv3 и модель EfficientNet.
Ближе к концу мы перейдем к окончательной концепции отслеживания объектов, где после идентификации объектов в видео мы начинаем отслеживать его как видеопроцесс. В рамках отслеживания объектов мы рассмотрим алгоритм среднего сдвига, SORT и DeepSort Framework.
Курс был разработан для подробного объяснения концепций глубокого обучения и компьютерного зрения, сначала объясняя технологические концепции, а затем их реализацию с помощью кода. Подробное руководство по коду было включено для всех реализаций кода в проектах, а исходный код доступен для загрузки. В дополнение к этому, викторина в курсе поможет вам оценить свои знания и определить области для улучшения.
Запишитесь на этот курс и станьте специалистом в области машинного обучения. Вот лишь некоторые из проектов, которые мы будем разрабатывать:
- Используйте предварительно обученную модель Faster R-CNN для обнаружения объектов в видео.
- Разработка приложения для обнаружения объектов Автоматическое обнаружение номерных знаков
- Создайте и обучите модель обнаружения объектов на основе YOLOV3 для обнаружения номерных знаков для автомобилей
- Используйте модель SVM для классификации и маркировки дорожных знаков в видео.
- Создайте и обучите модель классификации изображений на основе ResNet для идентификации 20 различных типов классов.
- Разработка приложения для отслеживания футбольных объектов с использованием SORT и YOLO
- Энтузиасты глубокого обучения, которые хотят обучать модели
- Разработчики Python, которые хотят разрабатывать решения для ИИ
- Специалисты по компьютерному зрению
- Разработчики машинного обучения
- Специалист по данным
- Базовые навыки программирования на Python
- Нет предварительных знаний по математике или строгому кодированию
Подробнее:
Скачать:
Computer Vision with Deep Learning, OpenCV, YOLO, ResNet50
Learn Object Detection and Deep Learning Concepts with YOLO, SSD, SVM, ResNet50, Inceptionv3 Models and CNN architecturewww.udemy.com
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
