مجله هوش مصنوعی شهاب
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
جلسه 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.
جلسه 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.
جلسه 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.
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.
جلسه 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.
جلسه 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.
جلسه 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.
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.
کارت فوقالعاده است
ادامه بده