دوره جامع آموزش PyTorch برای مبتدیان

دوره آموزشی PyTorch برای مبتدیان توسط Satya Mallick مدیر عامل OpenCV به عنوان مرجعی رسمی برای استفاده از PyTorch و کد نویسی آن ارائه شده که به مباحث مختلفی در زمینه پردازش تصویر ، کلاسه بندی و ناحیه بندی تصویر می پردازد. این دوره برای اولین بار توسط مجله شهاب به زبان فارسی برای علاقه مندان ارائه گردیده است.

این دوره به صورت مقدماتی شروع شده و ابتدا به معرفی کتابخانه PyTorch و مزایای استفاده از آن پرداخته ، سپس با ما را با برنامه نویسی آن برای انجام پروژه های پردازش تصویر آشنا می کند. در نهایت یاد می گیریم چگونه از طریق PyTorch از مدل های از پیش آموزش دیده استفاده کرده و مدل های خود را برای تشخیص اشیا و ناحیه بندی تصویر توسعه دهیم.

جلسات دوره

آموزش PyTorch برای مبتدیان مبانیجلسه اول : مبانی

در اولین جلسه آموزش با تعریف PyTorch و ویژگی های آن آشنا می شویم و نحوه نصب و مقدمات برنامه نویسی آن را می آموزیم. سپس کد نویسی تنسور ها را می آموزیم و با نحوه استفاده از آن ها روی CPU و GPU آشنا می شویم.

ادامه مطلب

آموزش PyTorch کلاسه بندی تصویر با مدل های از پیش آموزش دیدهجلسه دوم : کلاسه بندی تصویر با مدل های از قبل آموزش دیده

در این جلسه ابتدا برخی از معروف ترین مدل های ساخته شده برای کلاسه بندی تصویر را معرفی می کنیم و با استفاده از این مدل های از پیش آموزش دیده ، کلاسه بند خودمان را توسعه می دهیم. در نهایت تفاوت مدل های مختلف را بر اساس زمان استنباط و دقت آن ها بررسی می کنیم.

ادامه مطلب

آموزش PyTorch کلاسه بندی تصویر با یادگیری انتقالیجلسه سوم : کلاسه بندی تصویر با یادگیری انتقالی

در جلسه سوم می آموزیم چگونه از مدل ResNet50 با استفاده از یادگیری انتقالی برای کلاسه بندی تصاویر مجموعه داده CalTech265 استفاده کنیم. پس از آموزش مدل به اعتبارسنجی و بررسی نتایج کلاسه بندی می پردازیم.

ادامه مطلب

آموزش PyTorch استنباط با ONNX و Caffe2

جلسه چهارم : استنباط مدل با ONNX و Caffe2

در این جلسه با مدل چند منظوره فیسبوک یعنی Caffe2 آنشا می شویم و نحوه استفاده از آن از طریق ONNX را می آموزیم. در نهایت زمان و دقت استنباط آن را بررسی می کنیم.

ادامه مطلب

PyTorch برای مبتدیان ناحیه بندی معنایی با استفاده از Torchvisionجلسه پنجم : ناحیه بندی معنایی با استفاده از Torchvision

در این قسمت ابتدا با مفهوم ناحیه بندی معنایی ( Semantic Segmentation ) آشنا شده و کاربرد های آن را می آموزیم. سپس نحوه استفاده از آن را در Torchvision آموخته و نتایج آن را بررسی می کنیم.

ادامه مطلب

آموزش PyTorch تشخیص اشیا با Faster R-CNNجلسه ششم : تشخیص اشیا با Faster R-CNN

در جلسه ششم با تقاوت کلاسه بندی تصویر و تشخیص اشیا آشنا می شویم و روش های مختلف تشخیص اشیا را بررسی می کنیم. سپس با سه مدل R-CNN و Fast R-CNN و Faster R-CNN آشنا شده و نحوه برنامه نویسی آن ها را می آموزیم. در نهایت مثال های مختلفی از پیاده سازی مدل تشخیص اشیا را بررسی می کنیم.

ادامه مطلب

آموزش PyTorch برای مبتدیان ناحیه بندی نمونه با Mask R-CNNجلسه هفتم : ناحیه بندی نمونه با Mask R-CNN

در آخرین قسمت از این دوره با الگوریتم ناحیه بندی نمونه ( Instance Segmentation ) آشنا می شویم و از مدل Mask R-CNN برای ناحیه بندی تصاویر مختلف استفاده می کنیم. در نهایت زمان استنباط آن را بر روی CPU و GPU مقایسه می کنیم.

ادامه مطلب

امیدواریم مطالعه این دوره برای شما مفید بوده باشد و شما بتوانید با آموزش های ارائه شده در این دوره پروژه های خود را پیاده سازی کنید. در صورتی که تجربه استفاده از PyTorch در پروژه های خود را دارید ، می توانید با علاقه مندان به اشتراک بگذارید.

درباره‌ی احمدرضا جعفری

همچنین ببینید

تشخیص بیماری گیاهان با داده های اندک

تشخیص بیماری گیاهان با داده های اندک

الگوریتم های طبقه بندی خودکار بیماری های گیاهی در کشاورزی بسیار مهم هستند، به عنوان …

یک نظر

  1. کارت فوق‌العاده است
    ادامه بده

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *