تشخیص اشیاء و طبقه‌بندی تصویر با Pytorch و SSD

آنچه یاد خواهید گرفت:

• یادگیری اصول پایه تشخیص اشیاء و طبقه‌بندی تصویر
• نحوه ساخت سیستم تشخیص اشیاء با استفاده از Pytorch و SSD
• نحوه ساخت سیستم تشخیص اشیاء با استفاده از Pytorch و Faster R-CNN
• نحوه ساخت سیستم تشخیص اشیاء با استفاده از YOLOv
• نحوه ساخت سیستم تشخیص اشیاء با استفاده از DETR ResNet
• نحوه ساخت مدل تشخیص عیوب تولید با Keras و شبکه‌های عصبی کانولوشنی (CNN)
• نحوه ساخت سیستم تشخیص عیوب تولید با OpenCV
• نحوه ساخت مدل طبقه‌بندی پسماند با Keras و شبکه‌های عصبی کانولوشنی (CNN)
• نحوه ساخت سیستم طبقه‌بندی پسماند با OpenCV
• نحوه ساخت مدل قطعه‌بندی تصویر جاده‌های تخریب‌شده با U-Net
• نحوه ساخت سیستم تشخیص جاده تخریب‌شده با OpenCV
• نحوه فعال‌سازی دوربین با OpenCV
• آشنایی با طرز کار سیستم تشخیص اشیاء، از پردازش تصویر ورودی، استخراج ویژگی، پیشنهاد ناحیه، تا جعبه‌های مرزی و پیش‌بینی کلاس
• آشنایی با طرز کار سیستم طبقه‌بندی تصویر، از جمع‌آوری داده، برچسب‌زنی، پیش‌پردازش، انتخاب مدل، آموزش، اعتبارسنجی تا پیش‌بینی تصویر جدید
• نحوه تست سیستم‌های تشخیص اشیاء و طبقه‌بندی تصویر با ورودی‌های متنوع مانند تصویر و ویدیو

پیش‌نیازهای دوره

• به تجربه قبلی در زمینه تشخیص اشیاء نیازی نیست.
• دانش پایه پایتون و بینایی کامپیوتر کافی است.

توضیحات دوره

به دوره «تشخیص اشیاء و طبقه‌بندی تصویر با Pytorch و SSD» خوش آمدید. این یک دوره جامع و پروژه‌محور است که در آن یاد می‌گیرید چگونه سیستم‌های تشخیص اشیاء، تشخیص عیوب تولید، طبقه‌بندی پسماند و قطعه‌بندی جاده‌های تخریب‌شده را با استفاده از Pytorch ،Keras، شبکه‌های عصبی کانولوشنی، U-Net ،YOLOv ،SSD و DETR ResNet بسازید.

این دوره ترکیبی عالی از پایتون و بینایی کامپیوتر است و فرصتی ایده‌آل برای شما فراهم می‌کند تا مهارت‌های برنامه‌نویسی خود را تمرین کرده و دانش فنی خود را در توسعه نرم‌افزار ارتقا دهید. در بخش مقدماتی، با اصول پایه تشخیص اشیاء و طبقه‌بندی تصویر و نحوه عملکرد هر سیستم به‌صورت گام‌به‌گام آشنا می‌شوید.

در بخش بعدی، یاد می‌گیرید که چگونه از Kaggle، پلتفرمی که طیف گسترده‌ای از مجموعه داده‌های باکیفیت را ارائه می‌دهد، دیتاست مورد نظر خود را پیدا و دانلود کنید. قبل از شروع پروژه‌ها، مبانی بینایی کامپیوتر مانند فعال‌سازی دوربین و پردازش تصویر با OpenCV را خواهید آموخت. سپس، ساخت پروژه‌ها را آغاز می‌کنیم؛ ابتدا، سیستم تشخیص اشیاء را با استفاده از مدل‌های از پیش آموزش‌دیده Faster R-CNN ،SSD ،YOLOv و DETR ResNet می‌سازیم که شما را قادر می‌سازد بدون نیاز به داده‌های شخصی، اشیاء را تشخیص و طبقه‌بندی کنید.

پس از آن، یک مدل تشخیص عیوب تولید را با Keras و شبکه‌های عصبی کانولوشنی می‌سازیم تا بر اساس تصویر ورودی، سالم یا معیوب بودن یک محصول را تشخیص دهد. این سیستم به کارخانه‌ها امکان می‌دهد تا با استفاده از دوربین یا تصاویر بارگذاری‌شده، محصولات را به‌طور خودکار بازرسی کرده و نیاز به کنترل کیفیت دستی را کاهش دهند.

در ادامه، یک مدل طبقه‌بندی پسماند را با Keras و CNN می‌سازیم تا بین زباله‌های ارگانیک و غیرارگانیک تمایز قائل شود. این سیستم با تحلیل تصاویر پسماند و تشخیص دقیق موادی مانند بطری‌های پلاستیکی، پسماند مواد غذایی و کاغذ، فرآیند تفکیک زباله را برای بازیافت یا دفع، خودکار می‌سازد. در بخش بعدی، یک مدل قطعه‌بندی تصویر برای جاده‌های تخریب‌شده با معماری U-Net، که به‌طور گسترده برای وظایف قطعه‌بندی پیکسلی استفاده می‌شود، خواهیم ساخت. این سیستم کاربران را قادر می‌سازد تا نواحی آسیب‌دیده یا چاله‌ها را در تصاویر جاده‌ها شناسایی کنند که می‌تواند به نگهداری زیرساخت‌ها و برنامه‌ریزی شهرهای هوشمند کمک کند.

در نهایت، در پایان دوره، آزمایش‌هایی را برای اطمینان از دقت بالای مدل و عملکرد صحیح سیستم انجام خواهیم داد. ما سیستم را با ورودی‌های مختلفی مانند تصاویر، ویدیوهای کوتاه و فیدهای دوربین زنده تست می‌کنیم تا از عملکرد کامل تمام ویژگی‌ها اطمینان حاصل کنیم.

آنچه از این دوره فرا خواهید گرفت:

• یادگیری اصول پایه تشخیص اشیاء و طبقه‌بندی تصویر
• آشنایی با طرز کار سیستم تشخیص اشیاء، از پردازش تصویر ورودی، استخراج ویژگی، پیشنهاد ناحیه، جعبه مرزی، پیش‌بینی کلاس تا پس‌پردازش
• آشنایی با طرز کار سیستم طبقه‌بندی تصویر، از جمع‌آوری داده، برچسب‌زنی، پیش‌پردازش، انتخاب مدل، آموزش، اعتبارسنجی، تنظیم دقیق تا پیش‌بینی تصویر جدید
• نحوه فعال‌سازی دوربین با OpenCV
• نحوه ساخت سیستم تشخیص اشیاء با Pytorch و SSD
• نحوه ساخت سیستم تشخیص اشیاء با Pytorch و Faster R-CNN
• نحوه ساخت سیستم تشخیص اشیاء با YOLOv
• نحوه ساخت سیستم تشخیص اشیاء با DETR ResNet
• نحوه ساخت مدل تشخیص عیوب تولید با Keras و شبکه‌های عصبی کانولوشنی
• نحوه ساخت سیستم تشخیص عیوب تولید با OpenCV
• نحوه ساخت مدل طبقه‌بندی پسماند با Keras و شبکه‌های عصبی کانولوشنی
• نحوه ساخت سیستم طبقه‌بندی پسماند با OpenCV
• نحوه ساخت مدل قطعه‌بندی تصویر جاده‌های تخریب‌شده با U-Net
• نحوه ساخت سیستم تشخیص جاده تخریب‌شده با OpenCV
• نحوه تست سیستم‌های تشخیص اشیاء و طبقه‌بندی تصویر با ورودی‌های متنوع مانند تصویر و ویدیو

این دوره برای چه کسانی مناسب است؟

• مهندسان نرم‌افزاری که علاقه‌مند به ساخت سیستم‌های تشخیص اشیاء با Pytorch ،SSD ،Faster R-CNN ،YOLOv و DETR ResNet هستند.
• مهندسان یادگیری ماشین که علاقه‌مند به ساخت سیستم‌های طبقه‌بندی تصویر با Keras، شبکه‌های عصبی کانولوشنی و OpenCV هستند.