طبقه‌بندی تصویر با یادگیری عمیق در PyTorch 2.0

آنچه یاد خواهید گرفت:

• یاد می‌گیرید که یک مجموعه داده طبقه‌بندی تصویر آماده‌ کنید.
• یاد می‌گیرید که با استفاده از image_folder و با گسترش کلاس مجموعه داده از torchvision، مجموعه داده‌ را پردازش کنید.
• یاد می‌گیرید که پایپ‌لاین داده را آماده و تست کنید.
• یادگیری درباره‌ تقویت داده مانند تغییر اندازه، کراپ کردن، ColorJitter و RandomHorizontalFlip و RandomVerticalFlip و RandomRotation
• درک معماری جزئیات مدل‌های LeNet و VGG16 و Inception v3 و ResNet50 با نمودار بلوکی کامل
• یادگیری آموزش مدل روی داده‌ کمتری از طریق یادگیری انتقالی
• یادگیری درباره‌ پایپ‌لاین آموزش برای آموزش هر مدل طبقه‌بندی تصویر
• یادگیری درباره‌ پایپ‌لاین استنتاج برای نمایش نتایج
• یادگیری درباره‌ فرآیند ارزیابی مدل طبقه‌بندی تصویر از طریق دقت و بازیابی، F1 Score و صحت 

توضیحات دوره

به این دوره یادگیری عمیق طبقه‌بندی تصویر با PyTorch2.0 در پایتون 3 خوش آمدید. آیا می‌خواهید یاد بگیرید که چگونه سیستم‌های قدرتمند طبقه‌بندی تصویر بسازید که بتوانند آبجکت‌ها را با دقت بسیار بالا شناسایی کنند؟ اگر اینطور است، این دوره برای شماست.

در این دوره، شما سفری هیجان‌انگیز به دنیای یادگیری عمیق و طبقه‌بندی تصویر را آغاز خواهید کرد. این دوره عملی طراحی شده تا شما را با دانش و مهارت‌های لازم برای ساخت و آموزش شبکه‌های عصبی عمیق به منظور طبقه‌بندی تصاویر با استفاده از فریمورک PyTorch آشنا کند.

ما این دوره را به فصل‌هایی تقسیم کرده‌ایم. در هر فصل، شما یک مفهوم جدید برای آموزش یک مدل طبقه‌بندی تصویر یاد خواهید گرفت. این‌ها برخی از مباحثی هستند که در دوره به آنها خواهیم پرداخت:

• آموزش همه مدل‌ها با torch.compile که به تازگی در PyTorch2.0 به عنوان یک ویژگی جدید معرفی شده است.
• نصب کتابخانه‌های Cuda و Cudnn برای استفاده از GPU در PyTorch2.0
• چگونه از Google Colab Notebook برای نوشتن کدهای پایتون و اجرای کد سلول به سلول استفاده کنیم؟
• اتصال Google Colab به گوگل درایو برای دسترسی به داده‌ درایو
• تسلط به هنر آماده‌سازی داده‌ طبق استانداردهای صنعت
• پردازش داده‌ با استفاده از کتابخانه torchvision
• تقویت داده برای تولید داده‌ جدید طبقه‌بندی تصویر با استفاده از:
  • تغییر اندازه، کراپ کردن، RandomHorizontalFlip و RandomVerticalFlip و RandomRotation و ColorJitter
• پیاده‌سازی پایپ‌لاین داده با data loader برای مدیریت کارآمد مجموعه داده‌های بزرگ
• بررسی عمیق معماری‌های مختلف مدل‌ها مانند LeNet و VGG16 و Inception v3 و ResNet50 
• هر مدل از طریق یک نمودار بلوکی زیبا به تفکیک لایه به لایه برای درک بهتر شرح داده شده است.
• پیاده‌سازی پایپ‌لاین آموزش و استنتاج
• درک یادگیری انتقالی برای آموزش مدل‌ها با داده‌ کمتر
• نمایش نتایج استنتاج مدل برای اهداف مصورسازی روی تصویر

در پایان این دوره جامع، شما به خوبی آماده خواهید شد تا مدل‌های طبقه‌بندی تصویر را با استفاده از یادگیری عمیق با PyTorch2.0 طراحی کرده و بسازید. این مهارت‌ها، از طبقه‌بندی آبجکت‌های روزمره تا حل مسائل پیچیده تحلیل تصویر در صنایع مختلف، فرصت‌های جدیدی را به‌ سوی کاربردهای متنوع باز خواهد کرد. چه شما مبتدی باشید و چه دانشمند داده باتجربه، این دوره شما را با دانش و تجربه عملی لازم برای ممتاز بودن در زمینه یادگیری عمیق (بینایی کامپیوتری) مجهز خواهد کرد.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهنده پایتون که به یادگیری عمیق علاقه‌مند است.
• علاقه‌مندان به یادگیری عمیق که می‌خواهند معماری مدل‌های طبقه‌بندی تصویر مانند ResNet و VGG و LeNet و Inception را درک کنند.
• علاقه‌مندان به یادگیری عمیق که می‌خواهند با ویژگی‌های جدید PyTorch 2.0 آشنا شوند.
• علاقه‌مندان به یادگیری عمیق که در حال یادگیری بینایی کامپیوتری هستند و می‌خواهند مدل‌های مختلف طبقه‌بندی تصویر را آموزش داده و ارزیابی کنند.
• علاقه‌مندان به یادگیری عمیق که می‌خواهند یاد بگیرند چگونه یک داده طبقه‌بندی تصویر سفارشی بسازند.