Szkolenie: Zastosowania uczenia głębokiego w zadaniach wizji komputerowej
Szkolenie z uczenia głębokiego w wizji komputerowej przygotowuje do pracy z nowoczesnymi modelami CNN i Transformer, obejmuje segmentację, detekcję, generowanie obrazów oraz analizę wideo, kładąc nacisk na praktyczne zastosowania i implementację w Pythonie z użyciem PyTorch
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:5 dni (40h)
Kod kursu:DL/CV
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
4750 PLN netto
Lokalizacja:
ZdalneZastosowania uczenia głębokiego w zadaniach wizji komputerowej
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania i wdrażania modeli głębokiego uczenia w zadaniach wizji komputerowej, takich jak klasyfikacja, segmentacja, detekcja i generowanie obrazów
Szkolenie uczy stosowania zaawansowanych architektur sieci neuronowych, w tym CNN, Transformer i RNN, w praktycznych zastosowaniach przemysłowych
Szkolenie rozwija umiejętność wykorzystania transfer learning i fine-tuningu do optymalizacji modeli wizji komputerowej w różnych środowiskach produkcyjnych
Szkolenie pokazuje, jak implementować, trenować i wdrażać modele wizji komputerowej z użyciem nowoczesnych frameworków, takich jak PyTorch
Dla kogo?
Szkolenie adresowane jest do programistów, analityków danych i data scientistów z podstawową wiedzą o uczeniu maszynowym
Przeznaczone dla osób posiadających doświadczenie w programowaniu w Pythonie oraz znajomość podstaw przetwarzania obrazów
Skierowane do specjalistów chcących rozwijać kompetencje w zakresie wdrażania modeli głębokiego uczenia w wizji komputerowej
Efekty kształcenia
Uczestnik projektuje i wdraża modele głębokiego uczenia do analizy obrazów i wideo
Uczestnik analizuje i porównuje architektury CNN, Transformer oraz RNN w kontekście wizji komputerowej
Uczestnik optymalizuje i dostraja modele z wykorzystaniem transfer learning i fine-tuningu
Uczestnik implementuje rozwiązania z użyciem PyTorch i narzędzi do przetwarzania obrazów
Uczestnik ocenia skuteczność modeli w zadaniach segmentacji, detekcji i generowania obrazów
Uczestnik wdraża modele wizji komputerowej w środowiskach produkcyjnych i chmurowych
Wymagania
Znajomość podstaw wizji komputerowej i głębokiego uczenia
Doświadczenie w programowaniu w Pythonie
Podstawowa umiejętność korzystania z frameworków do uczenia głębokiego, takich jak TensorFlow lub PyTorch
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Wprowadzenie do uczenia głębokiego w wizji komputerowej
Podstawy uczenia głębokiego i splotowych sieci neuronowych (CNN)
Przegląd narzędzi i frameworków do uczenia głębokiego
Wprowadzenie do biblioteki PyTorch
Zastosowania w przemyśle i biznesie
Splotowe sieci neuronowe (CNN)
Warstwy sieci CNN: warstwy splotowe, pooling, aktywacja, warstwy w pełni połączone
Proces uczenia sieci CNN
Wykrywanie wzorców w obrazach
Techniki optymalizacji i regularyzacji architektur CNN
Zaawansowane architektury CNN
Omówienie architektur: AlexNet, VGGNet, ResNet, Inception Networks, EfficientNet
Klasyfikacja obrazów z wykorzystaniem sieci neuronowych
Praktyczna implementacja w PyTorch
Wprowadzenie do sieci Transformer w wizji komputerowej
Visual Transformers (ViT)
Mechanizm self-attention
Hybrydowe modele CNN i Transformer
Modele wizyjno-językowe
Kompromis między wielkością modelu a specjalizacją w rzeczywistym problemie
Transfer wiedzy i dostrajanie modeli wizji komputerowej
Transfer learning
Fine-tuning
Przykłady zastosowań i architektur
Kiedy warto stosować transfer learning, a kiedy budować model od zera?
Segmentacja semantyczna obrazów
Problem segmentacji i zastosowania
Wybrane architektury: SegNet, U-Net, PSPNet, DeepLabV3+
Wybrana biblioteka w Python - Segmentation Models PyTorch
Model Segment Anything
Produkcyjne zastosowania segmentacji
Detekcja obiektów na obrazach
Problem detekcji oraz metody ewaluacji modeli
Architektury R-CNN (Region-based CNN)
Algorytm Non-Maximum Supression
Detekcja obiektów w czasie rzeczywistym - YOLO (You Only Look Once)
Architektura Faster R-CNN
Wybrana biblioteka w Python - mmDetection
Przykłady zastosowań algorytmów detekcyjnych
Generowanie i przekształcanie obrazów przy użyciu sieci neuronowych
Wprowadzenie do modeli generatywnych
Autoenkodery
Architektury GAN (Generative Adversarial Networks)
Sieci StyleGAN i CycleGAN
Wprowadzenie do modeli dyfuzyjnych
Zastosowania modeli generatywnych i związane z nimi zagrożenia
Sieci neuronowe RNN i Transformer w analizie wideo
Analiza sekwencji obrazów z zastosowaniem architektur RNN (Recurrent Neural Networks), LSTM i GRU
Transformery w analizie wideo
Zastosowania modeli uczenia głębokiego w strumieniach wideo
Wdrażanie modeli wizji komputerowej na dużą skalę
Optymalizacja modeli do pracy w środowiskach produkcyjnych
Skalowalność modeli wizji komputerowej
Wdrażanie modeli w chmurze i na urządzeniach brzegowych
Monitorowanie i aktualizacja modeli w środowisku produkcyjnym
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
