Глубокое обучение: продвинутое компьютерное зрение (GAN, SSD и другое) [Udemy] [Lazy Programmer Inc.]
Deep Learning: Advanced Computer Vision (GANs, SSD, +More!)
Язык: английский
Вы когда-нибудь задумывались, как на самом деле работают такие технологии искусственного интеллекта, как OpenAI ChatGPT, GPT-4, DALL-E, Midjourney и Stable Diffusion? В этом курсе вы изучите основы этих революционных приложений.
Это один из самых захватывающих курсов, которые я когда-либо проходил, и он действительно показывает, как быстро и далеко продвинулось глубокое обучение за эти годы.
Когда я только начинал свою серию курсов по глубокому обучению, я и представить себе не мог, что создам два курса по сверточным нейронным сетям.
Думаю, вы обнаружите, что этот курс совершенно отличается от предыдущего, и будете впечатлены тем, сколько материала нам предстоит охватить.
Позвольте мне вкратце рассказать о том, чему посвящен этот курс:
Мы собираемся преодолеть разрыв между базовой архитектурой CNN, которую вы уже знаете и любите, и современными, инновационными архитектурами, такими как VGG, ResNet и Inception (названная в честь фильма, который, кстати, тоже отличный!).
Мы применим их к изображениям клеток крови и создадим систему, которая будет лучшим медицинским экспертом, чем вы или я. Это наводит на захватывающую мысль: врачи будущего — это не люди, а роботы.
В этом курсе вы увидите, как мы можем превратить CNN в систему обнаружения объектов, которая не только классифицирует изображения, но и может определять местоположение каждого объекта на изображении и предсказывать его метку.
Вы можете себе представить, что такая задача является базовым условием для беспилотных автомобилей. (Они должны уметь обнаруживать автомобили, пешеходов, велосипеды, светофоры и т. д. в режиме реального времени).
Мы рассмотрим передовой алгоритм под названием SSD, который быстрее и точнее своих предшественников. Ещё одна очень популярная задача компьютерного зрения, в которой используются сверточные нейронные сети (CNN), называется нейронным переносом стиля.
В этом случае вы берёте одно изображение, называемое изображением содержимого, и другое изображение, называемое изображением стиля, и объединяете их, чтобы создать совершенно новое изображение, как если бы вы наняли художника, чтобы он нарисовал содержимое первого изображения в стиле другого. В отличие от художника-человека, это можно сделать за считанные секунды.
Я также познакомлю вас с ныне известной архитектурой GAN (генеративно-состязательные сети), где вы узнаете некоторые технологии, лежащие в основе использования нейронных сетей для генерации современных, фотореалистичных изображений.
В настоящее время мы также реализуем локализацию объектов, что является важным первым шагом к созданию полноценной системы обнаружения объектов.
Надеюсь, вам интересно узнать об этих передовых приложениях CNN, увидимся на занятии!
Чему вы научитесь:
Введение:
Цена 1055 руб. (12 евро)
Deep Learning: Advanced Computer Vision (GANs, SSD, +More!)
Язык: английский
Вы когда-нибудь задумывались, как на самом деле работают такие технологии искусственного интеллекта, как OpenAI ChatGPT, GPT-4, DALL-E, Midjourney и Stable Diffusion? В этом курсе вы изучите основы этих революционных приложений.
Это один из самых захватывающих курсов, которые я когда-либо проходил, и он действительно показывает, как быстро и далеко продвинулось глубокое обучение за эти годы.
Когда я только начинал свою серию курсов по глубокому обучению, я и представить себе не мог, что создам два курса по сверточным нейронным сетям.
Думаю, вы обнаружите, что этот курс совершенно отличается от предыдущего, и будете впечатлены тем, сколько материала нам предстоит охватить.
Позвольте мне вкратце рассказать о том, чему посвящен этот курс:
Мы собираемся преодолеть разрыв между базовой архитектурой CNN, которую вы уже знаете и любите, и современными, инновационными архитектурами, такими как VGG, ResNet и Inception (названная в честь фильма, который, кстати, тоже отличный!).
Мы применим их к изображениям клеток крови и создадим систему, которая будет лучшим медицинским экспертом, чем вы или я. Это наводит на захватывающую мысль: врачи будущего — это не люди, а роботы.
В этом курсе вы увидите, как мы можем превратить CNN в систему обнаружения объектов, которая не только классифицирует изображения, но и может определять местоположение каждого объекта на изображении и предсказывать его метку.
Вы можете себе представить, что такая задача является базовым условием для беспилотных автомобилей. (Они должны уметь обнаруживать автомобили, пешеходов, велосипеды, светофоры и т. д. в режиме реального времени).
Мы рассмотрим передовой алгоритм под названием SSD, который быстрее и точнее своих предшественников. Ещё одна очень популярная задача компьютерного зрения, в которой используются сверточные нейронные сети (CNN), называется нейронным переносом стиля.
В этом случае вы берёте одно изображение, называемое изображением содержимого, и другое изображение, называемое изображением стиля, и объединяете их, чтобы создать совершенно новое изображение, как если бы вы наняли художника, чтобы он нарисовал содержимое первого изображения в стиле другого. В отличие от художника-человека, это можно сделать за считанные секунды.
Я также познакомлю вас с ныне известной архитектурой GAN (генеративно-состязательные сети), где вы узнаете некоторые технологии, лежащие в основе использования нейронных сетей для генерации современных, фотореалистичных изображений.
В настоящее время мы также реализуем локализацию объектов, что является важным первым шагом к созданию полноценной системы обнаружения объектов.
Надеюсь, вам интересно узнать об этих передовых приложениях CNN, увидимся на занятии!
Чему вы научитесь:
- Понимание и применение трансферного обучения
- Понимание и использование современных сверточных нейронных сетей, таких как VGG, ResNet и Inception
- Понимание и использование алгоритмов обнаружения объектов, таких как SSD
- Понимание и применение переноса нейронного стиля
- Понимание современных тем компьютерного зрения
- Карты активации классов
- GAN (генеративно-состязательные сети)
- Проект по реализации локализации объектов
- Понимание важных основ OpenAI ChatGPT, GPT-4, DALL-E, Midjourney и Stable Diffusion
Введение:
- Введение
- Обзор и перспективы
- Как успешно пройти этот курс
- Где получить код, ноутбуки и данные
- Введение в Google Colab, как бесплатно использовать GPU или TPU
- Загрузка собственных данных в Google Colab
- Где изучить Numpy, Scipy, Matplotlib, Pandas и Scikit-Learn?
- Временные ошибки 403
- Что такое машинное обучение?
- Подготовка к коду (теория классификации)
- Введение в код для начинающих
- Ноутбук по классификации
- Подготовка к коду (теория регрессии)
- Ноутбук по регрессии
- Нейрон
- Как модель «учится»?
- Составление прогнозов
- Сохранение и загрузка модели
- Ящик предложений
- Введение в раздел по искусственным нейронным сетям
- Прямое распространение
- Геометрическое представление
- Функции активации
- Многоклассовая классификация
- Как представлять изображения
- Пояснение к смешиванию цветов
- Подготовка к коду (ANN)
- ANN для классификации изображений
- ANN для регрессии
- Что такое свёртка? (часть 1)
- Что такое свёртка? (часть 2)
- Что такое свёртка? (часть 3)
- Свёртка на цветных изображениях
- Архитектура CNN
- Подготовка к коду CNN
- CNN для Fashion MNIST
- CNN для CIFAR-10
- Аугментация данных
- Батч-нормализация
- Улучшение результатов CIFAR-10
- Введение в раздел VGG
- Что особенного в VGG?
- Трансферное обучение
- Связь с жадным послойным предобучением
- 2 подхода к трансферному обучению
- Код трансферного обучения (часть 1)
- Код трансферного обучения (часть 2)
- Итоги раздела VGG
- Введение в раздел ResNet
- Архитектура ResNet
- Трансферное обучение с ResNet в коде
- Датасет изображений клеток крови
- Как построить ResNet в коде
- Свёртки 1x1
- Дополнительно: Inception
- Изображения разного размера в одной сети
- Итоги раздела ResNet
- Введение в раздел SSD
- Локализация объектов
- Что такое обнаружение объектов?
- Как найти объект на изображении?
- Проблема масштаба
- Проблема формы
- SSD Tensorflow Object Detection API (часть 1)
- SSD Tensorflow Object Detection API (часть 2)
- SSD для обнаружения объектов в видео
- Дополнительно: Intersection over Union и Non-max Suppression
- Итоги раздела SSD
- Введение в раздел переноса стиля
- Теория переноса стиля
- Оптимизация функции потерь
- Код (часть 1)
- Код (часть 2)
- Код (часть 3)
- Итоги раздела переноса стиля
- Карты активации классов (теория)
- Карты активации классов (код)
- Теория GAN
- Код GAN
- Введение и обзор локализации
- Набросок кода локализации (часть 1)
- Код локализации (часть 1)
- Набросок кода локализации (часть 2)
- Код локализации (часть 2)
- Набросок кода локализации (часть 3)
- Код локализации (часть 3)
- Набросок кода локализации (часть 4)
- Код локализации (часть 4)
- Набросок кода локализации (часть 5)
- Код локализации (часть 5)
- Набросок кода локализации (часть 6)
- Код локализации (часть 6)
- Набросок кода локализации (часть 7)
- Код локализации (часть 7)
- (Обзор) Основы Tensorflow
- (Обзор) Нейронная сеть на Tensorflow в коде
- (Обзор) Обсуждение Keras
- (Обзор) Нейронная сеть на Keras в коде
- (Обзор) Функциональный API Keras
- (Обзор) Как легко конвертировать код Keras в Tensorflow 2.0
- Что изучать дальше
- Что такое приложение?
- Проверка перед установкой
- Настройка среды Anaconda
- Как установить Numpy, Scipy, Matplotlib, Pandas, IPython, Theano и TensorFlow
- Как писать код самостоятельно (часть 1)
- Как писать код самостоятельно (часть 2)
- Доказательство того, что использование Jupyter Notebook равнозначно его неиспользованию
- Python 2 vs Python 3
- Как использовать Github и дополнительные советы по коду (дополнительно)
- Как успешно пройти этот курс (расширенная версия)
- Это для начинающих или экспертов? Академический или практический? Быстрый или медленный темп?
- Дорожная карта предварительных требований по машинному обучению и ИИ (часть 1)
- Дорожная карта предварительных требований по машинному обучению и ИИ (часть 2)
- Бонус
Ever wondered how AI technologies like OpenAI ChatGPT, GPT-4, DALL-E, Midjourney, and Stable Diffusion really work? In this course, you will learn the foundations of these groundbreaking applications.
This is one of the most exciting courses I’ve done and it really shows how fast and how far deep learning has come over the years.
When I first started my deep learning series, I didn’t ever consider that I’d make two courses on convolutional neural networks.
I think what you’ll find is that, this course is so entirely different from the previous one, you will be impressed at just how much material we have to cover.
Let me give you a quick rundown of what this course is all about:
We’re going to bridge the gap between the basic CNN architecture you already know and love, to modern, novel architectures such as VGG, ResNet, and Inception (named after the movie which by the way, is also great!)
We’re going to apply these to images of blood cells, and create a system that is a better medical expert than either you or I. This brings up a fascinating idea: that the doctors of the future are not humans, but robots.
In this course, you’ll see how we can turn a CNN into an object detection system, that not only classifies images but can locate each object in an image and predict its label.
You can imagine that such a task is a basic prerequisite for self-driving vehicles. (It must be able to detect cars, pedestrians, bicycles, traffic lights, etc. in real-time)
We’ll be looking at a state-of-the-art algorithm called SSD which is both faster and more accurate than its predecessors.
Another very popular computer vision task that makes use of CNNs is called neural style transfer.
This is where you take one image called the content image, and another image called the style image, and you combine these to make an entirely new image, that is as if you hired a painter to paint the content of the first image with the style of the other. Unlike a human painter, this can be done in a matter of seconds.
I will also introduce you to the now-famous GAN architecture (Generative Adversarial Networks), where you will learn some of the technology behind how neural networks are used to generate state-of-the-art, photo-realistic images.
Currently, we also implement object localization, which is an essential first step toward implementing a full object detection system.
I hope you’re excited to learn about these advanced applications of CNNs, I’ll see you in class!
What you'll learn:
Welcome:
This is one of the most exciting courses I’ve done and it really shows how fast and how far deep learning has come over the years.
When I first started my deep learning series, I didn’t ever consider that I’d make two courses on convolutional neural networks.
I think what you’ll find is that, this course is so entirely different from the previous one, you will be impressed at just how much material we have to cover.
Let me give you a quick rundown of what this course is all about:
We’re going to bridge the gap between the basic CNN architecture you already know and love, to modern, novel architectures such as VGG, ResNet, and Inception (named after the movie which by the way, is also great!)
We’re going to apply these to images of blood cells, and create a system that is a better medical expert than either you or I. This brings up a fascinating idea: that the doctors of the future are not humans, but robots.
In this course, you’ll see how we can turn a CNN into an object detection system, that not only classifies images but can locate each object in an image and predict its label.
You can imagine that such a task is a basic prerequisite for self-driving vehicles. (It must be able to detect cars, pedestrians, bicycles, traffic lights, etc. in real-time)
We’ll be looking at a state-of-the-art algorithm called SSD which is both faster and more accurate than its predecessors.
Another very popular computer vision task that makes use of CNNs is called neural style transfer.
This is where you take one image called the content image, and another image called the style image, and you combine these to make an entirely new image, that is as if you hired a painter to paint the content of the first image with the style of the other. Unlike a human painter, this can be done in a matter of seconds.
I will also introduce you to the now-famous GAN architecture (Generative Adversarial Networks), where you will learn some of the technology behind how neural networks are used to generate state-of-the-art, photo-realistic images.
Currently, we also implement object localization, which is an essential first step toward implementing a full object detection system.
I hope you’re excited to learn about these advanced applications of CNNs, I’ll see you in class!
What you'll learn:
- Understand and apply transfer learning
- Understand and use state-of-the-art convolutional neural nets such as VGG, ResNet and Inception
- Understand and use object detection algorithms like SSD
- Understand and apply neural style transfer
- Understand state-of-the-art computer vision topics
- Class Activation Maps
- GANs (Generative Adversarial Networks)
- Object Localization Implementation Project
- Understand important foundations for OpenAI ChatGPT, GPT-4, DALL-E, Midjourney, and Stable Diffusion
Welcome:
- Introduction
- Outline and Perspective
- How to Succeed in this Course
- Where to get the code, notebooks, and data
- Intro to Google Colab, how to use a GPU or TPU for free
- Uploading your own data to Google Colab
- Where can I learn about Numpy, Scipy, Matplotlib, Pandas, and Scikit-Learn?
- Temporary 403 Errors
- What is Machine Learning?
- Code Preparation (Classification Theory)
- Beginner's Code Preamble
- Classification Notebook
- Code Preparation (Regression Theory)
- Regression Notebook
- The Neuron
- How does a model "learn"?
- Making Predictions
- Saving and Loading a Model
- Suggestion Box
- Artificial Neural Networks Section Introduction
- Forward Propagation
- The Geometrical Picture
- Activation Functions
- Multiclass Classification
- How to Represent Images
- Color Mixing Clarification
- Code Preparation (ANN)
- ANN for Image Classification
- ANN for Regression
- What is Convolution? (part 1)
- What is Convolution? (part 2)
- What is Convolution? (part 3)
- Convolution on Color Images
- CNN Architecture
- CNN Code Preparation
- CNN for Fashion MNIST
- CNN for CIFAR-10
- Data Augmentation
- Batch Normalization
- Improving CIFAR-10 Results
- VGG Section Intro
- What's so special about VGG?
- Transfer Learning
- Relationship to Greedy Layer-Wise Pretraining
- 2 Approaches to Transfer Learning
- Transfer Learning Code (pt 1)
- Transfer Learning Code (pt 2)
- VGG Section Summary
- ResNet Section Intro
- ResNet Architecture
- Transfer Learning with ResNet in Code
- Blood Cell Images Dataset
- How to Build ResNet in Code
- 1x1 Convolutions
- Optional: Inception
- Different sized images using the same network
- ResNet Section Summary
- SSD Section Intro
- Object Localization
- What is Object Detection?
- How would you find an object in an image?
- The Problem of Scale
- The Problem of Shape
- SSD Tensorflow Object Detection API (pt 1)
- SSD Tensorflow Object Detection API (pt 2)
- SSD for Video Object Detection
- Optional: Intersection over Union & Non-max Suppression
- SSD Section Summary
- Style Transfer Section Intro
- Style Transfer Theory
- Optimizing the Loss
- Code pt 1
- Code pt 2
- Code pt 3
- Style Transfer Section Summary
- Class Activation Maps (Theory)
- Class Activation Maps (Code)
- GAN Theory
- GAN Code
- Localization Introduction and Outline
- Localization Code Outline (pt 1)
- Localization Code (pt 1)
- Localization Code Outline (pt 2)
- Localization Code (pt 2)
- Localization Code Outline (pt 3)
- Localization Code (pt 3)
- Localization Code Outline (pt 4)
- Localization Code (pt 4)
- Localization Code Outline (pt 5)
- Localization Code (pt 5)
- Localization Code Outline (pt 6)
- Localization Code (pt 6)
- Localization Code Outline (pt 7)
- Localization Code (pt 7)
- (Review) Tensorflow Basics
- (Review) Tensorflow Neural Network in Code
- (Review) Keras Discussion
- (Review) Keras Neural Network in Code
- (Review) Keras Functional API
- (Review) How to easily convert Keras into Tensorflow 2.0 code
- What to Learn Next
- What is the Appendix?
- Pre-Installation Check
- Anaconda Environment Setup
- How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
- How to Code by Yourself (part 1)
- How to Code by Yourself (part 2)
- Proof that using Jupyter Notebook is the same as not using it
- Python 2 vs Python 3
- How to use Github & Extra Coding Tips (Optional)
- How to Succeed in this Course (Long Version)
- Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
- Machine Learning and AI Prerequisite Roadmap (pt 1)
- Machine Learning and AI Prerequisite Roadmap (pt 2)
- BONUS
https://www.udemy.com/course/advanced-computer-vision/