Zastosowania uczenia głębokiego w zadaniach wizji komputerowej
Szkolenie "Zastosowania uczenia głębokiego w zadaniach wizji komputerowej" obejmuje zaawansowane techniki i architektury sieci neuronowych stosowane w zadaniach wizji komputerowej. Uczestnicy szkolenia poznają nowoczesne modele, takie jak splotowe sieci neuronowe (CNN) i sieci Transformer w problemach segmentacji obrazów, detekcji obiektów, a także generowania obrazów i analizy wideo. Szkolenie skupia się na aplikacjach przemysłowych z wykorzystaniem najnowszych technologii, takich jak PyTorch.
3950 PLN+23% VAT (4858 PLN brutto / 1 os.)Czas trwania szkolenia:5 dni (40h)
Kod kursu:DL/CV
Zastosowania uczenia głębokiego w zadaniach wizji komputerowej
Cele szkolenia
Poznanie zaawansowanych architektur sieci neuronowych CNN, Transformer i RNN
Zrozumienie metod klasyfikacji, segmentacji, detekcji i generowania obrazów
Opanowanie technik transfer learning i fine-tuning modeli w praktycznych zastosowaniach
Poznanie najnowszych technologii do przetwarzania wideo przy użyciu modeli uczenia głębokiego
Zastosowanie nowoczesnych frameworków, takich jak PyTorch, do implementacji, trenowania i wdrażania modeli
Dla kogo?
Osób, które mają co najmniej podstawową wiedzę z obszaru uczenia maszynowego
Programistów, analityków danych, programistów baz danych, statystyków, data scientistów, którzy chcą rozwinąć swoje umiejętności w domenie wizji komputerowej
Osób, które posiadają podstawowe doświadczenie w pracy z obrazami
Zalety
Szkolenie "Zastosowania uczenia głębokiego w zadaniach wizji komputerowej" obejmuje najnowsze metody i architektury używane w przemyśle w zadaniach wizji komputerowej
Skupienie na rzeczywistych aplikacjach biznesowych
Szkolenie pozwala na zdobycie praktycznych umiejętności w pracy z zaawansowanymi frameworkami
Szkolenie "Zastosowania uczenia głębokiego w zadaniach wizji komputerowej" obejmuje szeroki wachlarz zadań uczenia maszynowego i ich zastosowań w wizji komputerowej
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
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