توضیحات

آموزش صفر تا صد کامپیوتر ویژن (بینایی کامپیوتر) پروژه محور

نام دوره : Modern Computer Vision™ PyTorch, Tensorflow2 Keras & OpenCV4

پیش نیاز:

• بدون تیاز به تجربه برنامه نویسی (دانش ابتدایی پایتون مفید خواهد بود)
• ریاضیات پایه دبیرستان
• اتصال اینترنت

توضیحات:

AI و Deep Learning در حال تغییر صنایع هستند و یکی از جذاب ترین بخش های این انقلاب هوش مصنوعی در Computer Vision است!

اما کامپیوتر ویژن دقیقا چیست و چرا اینقدر هیجان انگیز است؟

خوب، اگر رایانه‌ها بتوانند آنچه را که از طریق دوربین‌ها یا تصاویر می‌بینند بفهمند، چه می‌شود؟

کاربردهای چنین فناوری از تصویربرداری پزشکی، نظامی، اتومبیل های خودران، نظارت بر امنیت، تجزیه و تحلیل، ایمنی، کشاورزی، صنعت و تولید بی پایان است!

تقاضای شغلی برای کارکنان Computer Vision به طور سرسام آوری افزایش می یابد و معمول است که کارشناسان در این زمینه بیش از 200000 دلار حقوق دریافت می کنند.

با این حال، شروع در این زمینه آسان نیست. حجم زیادی از اطلاعات وجود دارد که بسیاری از آنها منسوخ شده اند، و تعداد زیادی آموزش که از آموزش مبانی غفلت می کنند. بنابراین مبتدیان نمی دانند از کجا شروع کنند.

برنامه‌های بینایی رایانه‌ای که شامل یادگیری عمیق هستند در حال رشد هستند!

داشتن ماشین‌هایی که می‌توانند « ببینند »، دنیای ما را تغییر می‌دهد و تقریباً هر صنعت را متحول می‌کند. ماشین‌ها یا روبات‌هایی که می‌توانند ببینند قادر خواهند بود:

• انجام عمل جراحی و تجزیه و تحلیل و تشخیص دقیق شما از اسکن های پزشکی.
• خودروهای خودران را فعال کنید
• ربات‌ها را به‌طور بنیادی تغییر دهیم که به ما امکان می‌دهد ربات‌هایی بسازیم که می‌توانند پخته، تمیز کنند و تقریباً در هر کاری به ما کمک کنند
• درک آنچه در ویدئوهای نظارت دوربین مداربسته دیده می شود و در نتیجه امنیت، مدیریت ترافیک و مجموعه ای از خدمات دیگر را انجام می دهد.
• با انتقال‌های شگفت‌انگیز سبک عصبی و دیگر انواع خلاقانه تولید تصویر، هنر خلق کنید
• شبیه سازی بسیاری از وظایف مانند چهره های پیر، اصلاح فیدهای ویدیویی زنده و جایگزینی واقعی بازیگران در فیلم ها

هدف دوره آموزش صفر تا صد کامپیوتر ویژن (بینایی کامپیوتر) پروژه محور حل همه این موارد است!

آموزش با استفاده از نوت بوک های Google Colab (همه کدها بلافاصله کار می کنند)

بیش از 27 ساعت تئوری بینایی کامپیوتری به روز و مرتبط با کد مثال

آموزش با استفاده از PyTorch و Tensorflow Keras!

در این دوره، پایه های اساسی بینایی کامپیوتری، بینایی کامپیوتری کلاسیک (با استفاده از OpenCV) را خواهید آموخت، سپس به یادگیری عمیق می پردازیم، جایی که دانش بنیادی خود را در مورد CNN ها ایجاد می کنیم و همه چیز را در مورد موضوعات زیر می آموزیم.

پوشش تفصیلی قسمت راهنمای OpenCV:

• عملیات تصویر و دستکاری
• خطوط و تقسیم بندی
• تشخیص و ردیابی شی ساده
• نشانه های چهره، تشخیص و تعویض چهره
• اجرای OpenCV از انتقال سبک عصبی، YOLOv3، SSD و رنگ‌کننده تصویر سیاه و سفید
• کار با ویدئو و ویدئو استریم
• برنامه درسی جامع یادگیری عمیق ما شامل:
• طبقه بندی با CNN ها
• مروری دقیق بر تجزیه و تحلیل CNN، تجسم عملکرد، تکنیک های پیشرفته CNN
• آموزش انتقال و تنظیم دقیق
• شبکه های متخاصم مولد – CycleGAN، ArcaneGAN، SuperResolution، StyleGAN
• رمزگذارهای خودکار
• انتقال سبک عصبی و Google DeepDream
• معماری‌های مدرن CNN از جمله Vision Transformers (ResNets، DenseNets، MobileNET، VGG19، InceptionV3، EfficientNET و ViTs)
• شبکه های سیامی برای شباهت تصویر
• تشخیص چهره (سن، جنسیت، احساسات، قومیت)
• PyTorch Lightning
• تشخیص اشیا با YOLOv5 و v4، EfficientDetect، SSD، R-CNN سریعتر،
• Deep Segmentation – MaskCNN، U-NET، SegNET و DeepLabV3
• ردیابی با DeepSORT
• نسل جعلی عمیق
• طبقه بندی ویدیویی
• تشخیص کاراکتر نوری (OCR)
• زیرنویس تصویر
• 3D Computer Vision با استفاده از داده های Point Cloud
• تصویربرداری پزشکی – آنالیز اشعه ایکس و سی تی اسکن
• تخمین عمق
• ساخت Computer Vision API با Flask
• و خیلی بیشتر

این یک دوره جامع است که به دو (2) بخش اصلی تقسیم می شود. فصل اول در مورد OpenCV (آموزش بینایی کامپیوتر کلاسیک) و دومی یادگیری عمیق است.

دوره آموزش صفر تا صد کامپیوتر ویژن (بینایی کامپیوتر) پروژه محور پر از پروژه های سرگرم کننده و جالب است از جمله این پروژه های کلاسیک کامپیوتر ویژن:

• مرتب سازی خطوط بر اساس اندازه، مکان، استفاده از آنها برای تطبیق شکل
• پیدا کردن والدو
• تبدیل های چشم انداز (CamScanner)
• شباهت تصویر
• K-Means خوشه بندی برای رنگ های تصویر
• ردیابی حرکت با MeanShift و CAMSshift
• جریان نوری
• تشخیص نقطه عطف چهره با Dlib
• تعویض چهره
• دسترسی به کد QR و بارکد
• حذف پس زمینه
• تشخیص متن
• OCR با PyTesseract و EasyOCR
• رنگی کردن عکس های سیاه و سفید
• عکاسی محاسباتی با رنگ داخلی و حذف نویز
• با استفاده از Edge Detection یک طرح از خود بسازید
• RTSP و IP Streams
• گرفتن اسکرین شات به صورت ویدئو
• ویدیوهای یوتیوب را مستقیما وارد کنید

================================================== ====

پروژه های یادگیری عمیق کامپیوتر دوره آموزش صفر تا صد کامپیوتر ویژن (بینایی کامپیوتر) پروژه محور:

• PyTorch & Keras CNN Tutorial MNIST
• طبقه بندی اشتباه PyTorch & Keras و تحلیل عملکرد مدل
• PyTorch & Keras Fashion-MNIST با و بدون Regularization
• تجسم CNN – تجسم فعال سازی فیلتر و فیلتر
• فیلتر تجسم CNN و حداکثر سازی کلاس
• تجسم CNN GradCAM GradCAMplusplus و FasterScoreCAM
• تکرار LeNet و AlexNet در Tensorflow2.0 با استفاده از Keras
• مدل‌های آموزش‌دیده PyTorch & Keras – 1 – VGG16، ResNet، Inceptionv3، MobileNetv2، SqueezeNet، WideResNet، DenseNet201، MobileMNASNet، EfficientNet و MNASNet
• دقت رتبه 1 و رتبه 5
• PyTorch و Keras Cats vs Dogs PyTorch – با داده های خود آموزش دهید
• آموزش رعد و برق PyTorch – انتخاب دسته و LR، Tensorboards، Callbacks، mGPU، TPU و موارد دیگر
• PyTorch Lightning – آموزش انتقال
• آموزش انتقال PyTorch و Keras و تنظیم دقیق
• PyTorch & Keras با استفاده از CNN به عنوان یک استخراج کننده ویژگی
• PyTorch & Keras – Google Deep Dream
• PyTorch Keras – مدل‌های انتقال سبک عصبی + TF-HUB
• رمزگذارهای خودکار PyTorch و Keras با استفاده از مجموعه داده Fashion-MNIST
• PyTorch & Keras – شبکه های متخاصم مولد – DCGAN – MNIST
• Keras – سوپر رزولوشن SRGAN
• پروژه – Generate_Anime_with_StyleGAN
• CycleGAN – اسب ها را به گورخر تبدیل کنید
• استنتاج ArcaneGAN
• شبکه‌های سیامی PyTorch و Keras
• تشخیص چهره با VGGFace در Keras
• شباهت صورت PyTorch با FaceNet
• DeepFace – سن، جنسیت، بیان، Headpose و تشخیص
• تشخیص اشیا – تفنگ، ردیاب تپانچه – Scaled-YOLOv4
• تشخیص اشیا – تشخیص ماسک – تشخیص اشیاء TensorFlow – MobileNetV2 SSD
• تشخیص شی – تشخیص زبان اشاره – TFODAPI – EfficientDetD0-D7
• تشخیص شی – تشخیص سوراخ گلدان با TinyYOLOv4
• تشخیص شی – نوع قارچ تشخیص شی – دتکترون 2
• تشخیص شی – تشخیص منطقه اسکرین شات وب سایت – YOLOv4-Darknet
• تشخیص اشیاء – آشکارساز دریایی پهپاد – تشخیص سریع اشیاء تنسورفلو R-CNN
• تشخیص اشیا – تشخیص مهره های شطرنج – YOLOv3 PyTorch
• تشخیص اشیاء – تشخیص هاردات برای سایت های ساختمانی – EfficientDet-v2
• Object DetectionBlood Cell Object Detection – YOLOv5
• Object DetectionPlant Doctor Object Detection – YOLOv5
• تقسیم بندی تصویر – Keras، U-Net و SegNet
• DeepLabV3 – PyTorch_Vision_Deeplabv3
• ماسک R-CNN نسخه ی نمایشی
• Detectron2 – ماسک R-CNN
• آموزش یک ماسک R-CNN – Shapes
• آموزش Yolov5 DeepSort Pytorch
• DeepFakes – اولین مرتبه-model-demo
• آموزش Vision Transformer PyTorch
• طبقه بندی ترانسفورماتور ویژن در کراس
• طبقه بندی تصویر با استفاده از BigTransfer (BiT)
• تخمین عمق با Keras
• جستجوی شباهت تصویر با استفاده از یادگیری متریک با Keras
• زیرنویس تصویر با Keras
• طبقه بندی ویدئو با معماری CNN-RNN با Keras
• طبقه بندی ویدئویی با ترانسفورماتور با کراس
• طبقه بندی ابر نقطه – PointNet
• تقسیم بندی ابر نقطه ای با PointNet
• طبقه بندی تصاویر سه بعدی سی تی اسکن
• طبقه بندی پنومونی اشعه ایکس با استفاده از TPU
• بهبود تصویر کم نور با استفاده از MIRNet
• کرکر کپچا OCR
• Flask Rest API – سرور و برنامه وب Flask
• Detectron2 – BodyPose

دوره آموزش صفر تا صد کامپیوتر ویژن (بینایی کامپیوتر) پروژه محور برای چه کسانی است:

• دانشجویان کالج/دانشگاه در تمام سطوح از مقطع کارشناسی تا دکترا (برای کسانی که پروژه‌ها را انجام می‌دهند بسیار مفید است)
• توسعه دهندگان و مهندسان نرم افزار به دنبال انتقال به Computer Vision هستند
• بنیانگذاران راه اندازی به دنبال یادگیری نحوه اجرای ایده بزرگ خود هستند
• علاقه‌مندان و حتی دانش‌آموزان دبیرستانی که به دنبال راه‌اندازی در کامپیوتر ویژن هستند

بخشی از دوره: