- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.084
Автор: Udemy
Название: Глубокое обучение для компьютерного зрения с TensorFlow 2 (2021)
Описание:
Deep Learning for Computer Vision with TensorFlow 2
Udemy
Этот курс ориентирован на применение глубокого обучения для классификации изображений и обнаружения объектов . Изначально этот курс был разработан в TensorFlow версии 1.X, но теперь все коды были обновлены до версии 2.X TensorFlow , в основном с использованием Google Colaboratory (Colab).
Если у вас нет доступного графического процессора в вашей локальной системе или вы хотите поэкспериментировать в среде без какой-либо предварительной установки или настройки, не беспокойтесь, вы можете плавно следовать курсу, потому что все коды были оптимизированы в Google Colab.
Курс начинается с краткого обзора основных концепций глубокого обучения , потому что этот курс сосредоточен на применении глубокого обучения в области компьютерного зрения.
Основными задачами компьютерного зрения, рассматриваемыми в этом курсе, являются классификация изображений и обнаружение объектов .
Изучив теорию глубокого обучения, вы войдете в изучение сверточных нейронных сетей (ConvNets) для классификации изображений, изучая следующие концепции и алгоритмы:
- Основы изображения
- Загрузка изображений в TensorFlow
- Строительные блоки ConvNets, такие как:
Операция свертки,
Фильтры,
Пакетная нормализация,
Функция ReLU,
Выбывать,
Объединение слоев,
Расширение,
Общие веса,
Увеличение изображения и т. Д.
- Различные архитектуры ConvNets, такие как:
LeNet5,
AlexNet,
ВГГ-16,
ResNet
Зарождение.
- Множество практических приложений с использованием известных наборов данных, таких как:
Covid19 на рентгеновских снимках,
CIFAR10,
BCCD,
Набор данных COCO,
Откройте набор данных изображений V6 через Voxel FiftyOne,
ROBOFLOW,
Вы также узнаете, как работать и собирать данные об изображениях с помощью парсинга веб-страниц с помощью
Python и Selenium.
Наконец, в главе «Обнаружение объектов» мы исследуем теорию и приложения с использованием подхода трансферного обучения с использованием новейших современных алгоритмов с практическими приложениями. Некоторое содержание этой главы следующее:
- Теоретические основы алгоритма выборочного поиска,
- Теоретические основы для R-CNN, Fast R-CNN и Faster R-CNN,
- Более быстрое приложение R-CNN в наборе данных BCCD для обнаружения клеток крови ,
- Теоретические основы для детектора одиночного выстрела (SSD),
- Обучение ваших таможенных наборов данных с использованием различных моделей с помощью TensorFlow Object Detection API.
- Обнаружение объектов на изображениях, видео и потоковой передаче,
- Теория и практическое применение YOLOv2 в настраиваемом наборе данных (набор данных R2D2)
- Практическое применение YOLOv3 в пользовательском наборе данных (наборы данных R2D2 и C3PO)
- Теория YOLOv4 и практическое применение в настраиваемом наборе данных (наборы данных R2D2 и C3PO)
Наконец , вы узнаете , как построить и обучить свой собственный набор данных с помощью GPU вычислительном работает Йоло v2 , Йоло v3 и v4 последние Йоли с помощью Google Colab.
В этом курсе вы найдете краткий обзор теории с интуитивно понятными концепциями алгоритмов и сможете применить на практике свои знания с множеством практических примеров с использованием ваших собственных наборов данных.
Студенты очень хорошо разбираются в этом курсе. Вот некоторые из вдохновляющих комментариев:
* Стефан Ланкестер (5 звезд): Спасибо Карлосу за это ценное обучение. Хорошее объяснение с широким подходом к распознаванию предметных объектов в изображениях и видео. Показаны интересные примеры и ссылки на необходимые ресурсы. Хорошее объяснение того, какие версии разных пакетов python следует использовать для успешных результатов.
* Шихаб (5 звезд): Это был действительно потрясающий курс. Должен рекомендовать всем.
* 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 глубокого понимания с помощью теории он также дает практический опыт.
* Дэйв Роберто (5 звезд): Курс того стоит. Преподаватель четко передает концепции, и видно, что он их очень хорошо понимает (нет такого ощущения с другими курсами). Схемы, которые он использует, отличаются от обычных, которые вы можете увидеть на других курсах, но они действительно помогают лучше проиллюстрировать и понять. Я бы дал курс восемь звезд, но максимум пять. Это один из немногих курсов Udemy, который оставил меня по-настоящему довольным.
Для кого этот курс:
- Профессионалы, которые хотят изучать передовые приложения компьютерного зрения с использованием концепций глубокого обучения.
- Это курс среднего уровня, не предназначенный для начинающих.
Требования
- Концепции машинного обучения, линейная алгебра, Python, TensorFlow, Keras и OpenCV
Материал на английском языке
Подробнее:
Скачать:
Название: Глубокое обучение для компьютерного зрения с TensorFlow 2 (2021)
Описание:
Deep Learning for Computer Vision with TensorFlow 2
Udemy
Этот курс ориентирован на применение глубокого обучения для классификации изображений и обнаружения объектов . Изначально этот курс был разработан в TensorFlow версии 1.X, но теперь все коды были обновлены до версии 2.X TensorFlow , в основном с использованием Google Colaboratory (Colab).
Если у вас нет доступного графического процессора в вашей локальной системе или вы хотите поэкспериментировать в среде без какой-либо предварительной установки или настройки, не беспокойтесь, вы можете плавно следовать курсу, потому что все коды были оптимизированы в Google Colab.
Курс начинается с краткого обзора основных концепций глубокого обучения , потому что этот курс сосредоточен на применении глубокого обучения в области компьютерного зрения.
Основными задачами компьютерного зрения, рассматриваемыми в этом курсе, являются классификация изображений и обнаружение объектов .
Изучив теорию глубокого обучения, вы войдете в изучение сверточных нейронных сетей (ConvNets) для классификации изображений, изучая следующие концепции и алгоритмы:
- Основы изображения
- Загрузка изображений в TensorFlow
- Строительные блоки ConvNets, такие как:
Операция свертки,
Фильтры,
Пакетная нормализация,
Функция ReLU,
Выбывать,
Объединение слоев,
Расширение,
Общие веса,
Увеличение изображения и т. Д.
- Различные архитектуры ConvNets, такие как:
LeNet5,
AlexNet,
ВГГ-16,
ResNet
Зарождение.
- Множество практических приложений с использованием известных наборов данных, таких как:
Covid19 на рентгеновских снимках,
CIFAR10,
BCCD,
Набор данных COCO,
Откройте набор данных изображений V6 через Voxel FiftyOne,
ROBOFLOW,
Вы также узнаете, как работать и собирать данные об изображениях с помощью парсинга веб-страниц с помощью
Python и Selenium.
Наконец, в главе «Обнаружение объектов» мы исследуем теорию и приложения с использованием подхода трансферного обучения с использованием новейших современных алгоритмов с практическими приложениями. Некоторое содержание этой главы следующее:
- Теоретические основы алгоритма выборочного поиска,
- Теоретические основы для R-CNN, Fast R-CNN и Faster R-CNN,
- Более быстрое приложение R-CNN в наборе данных BCCD для обнаружения клеток крови ,
- Теоретические основы для детектора одиночного выстрела (SSD),
- Обучение ваших таможенных наборов данных с использованием различных моделей с помощью TensorFlow Object Detection API.
- Обнаружение объектов на изображениях, видео и потоковой передаче,
- Теория и практическое применение YOLOv2 в настраиваемом наборе данных (набор данных R2D2)
- Практическое применение YOLOv3 в пользовательском наборе данных (наборы данных R2D2 и C3PO)
- Теория YOLOv4 и практическое применение в настраиваемом наборе данных (наборы данных R2D2 и C3PO)
Наконец , вы узнаете , как построить и обучить свой собственный набор данных с помощью GPU вычислительном работает Йоло v2 , Йоло v3 и v4 последние Йоли с помощью Google Colab.
В этом курсе вы найдете краткий обзор теории с интуитивно понятными концепциями алгоритмов и сможете применить на практике свои знания с множеством практических примеров с использованием ваших собственных наборов данных.
Студенты очень хорошо разбираются в этом курсе. Вот некоторые из вдохновляющих комментариев:
* Стефан Ланкестер (5 звезд): Спасибо Карлосу за это ценное обучение. Хорошее объяснение с широким подходом к распознаванию предметных объектов в изображениях и видео. Показаны интересные примеры и ссылки на необходимые ресурсы. Хорошее объяснение того, какие версии разных пакетов python следует использовать для успешных результатов.
* Шихаб (5 звезд): Это был действительно потрясающий курс. Должен рекомендовать всем.
* 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 глубокого понимания с помощью теории он также дает практический опыт.
* Дэйв Роберто (5 звезд): Курс того стоит. Преподаватель четко передает концепции, и видно, что он их очень хорошо понимает (нет такого ощущения с другими курсами). Схемы, которые он использует, отличаются от обычных, которые вы можете увидеть на других курсах, но они действительно помогают лучше проиллюстрировать и понять. Я бы дал курс восемь звезд, но максимум пять. Это один из немногих курсов Udemy, который оставил меня по-настоящему довольным.
Для кого этот курс:
- Профессионалы, которые хотят изучать передовые приложения компьютерного зрения с использованием концепций глубокого обучения.
- Это курс среднего уровня, не предназначенный для начинающих.
Требования
- Концепции машинного обучения, линейная алгебра, Python, TensorFlow, Keras и OpenCV
Материал на английском языке
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытое содержимое могут видеть только члены группы Премиум.
Скрытый контент для пользователей All-dar.