Szkolenie: Zastosowania uczenia głębokiego w zadaniach 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

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

Omówienie architektur: AlexNet, VGGNet, ResNet, Inception Networks, EfficientNet

Klasyfikacja obrazów z wykorzystaniem sieci neuronowych

Praktyczna implementacja w PyTorch

Visual Transformers (ViT)

Mechanizm self-attention

Hybrydowe modele CNN i Transformer

Modele wizyjno-językowe

Kompromis między wielkością modelu a specjalizacją w rzeczywistym problemie

Transfer learning

Fine-tuning

Przykłady zastosowań i architektur

Kiedy warto stosować transfer learning, a kiedy budować model od zera?

Problem segmentacji i zastosowania

Wybrane architektury: SegNet, U-Net, PSPNet, DeepLabV3+

Wybrana biblioteka w Python - Segmentation Models PyTorch

Model Segment Anything

Produkcyjne zastosowania segmentacji

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

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

Analiza sekwencji obrazów z zastosowaniem architektur RNN (Recurrent Neural Networks), LSTM i GRU

Transformery w analizie wideo

Zastosowania modeli uczenia głębokiego w strumieniach wideo

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