【Udemy中英字幕】Modern Computer Vision & Deep Learning with Python & PyTorch

使用 Python 和 PyTorch 进行现代计算机视觉和深度学习

使用 Python 深度学习进行计算机视觉分类、实例和语义分割、对象检测

讲师：Dr. Mazhar Hussain

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

使用 Python 中的真实应用学习计算机视觉和深度学习
使用 Python 和 Pytorch 进行单标签和多标签分类的计算机视觉
使用 Python 和 Pytorch 进行图像语义分割的计算机视觉
使用 Python 和 Pytorch 进行图像实例分割的计算机视觉
使用 Python 和 Pytorch 进行对象检测的计算机视觉
学习用于计算机视觉的深度卷积神经网络 (CNN)
使用 GPU 编写 Python 和 Pytorch 代码的 Google Colab
使用不同的图像变换学习数据增强
用于图像分类、图像分割和对象检测的自定义数据集
深度学习模型的超参数优化以提高性能
学习性能指标（准确率、IOU、精确率、召回率、Fscore）
在 Pytorch 中使用深度学习预训练模型进行迁移学习
在自定义数据集上训练图像分割、分类和对象检测模型
评估和部署图像分割、图像分类和对象检测模型
Facebook 人工智能研究 (FAIR) 小组推出使用 Detectron2 模型进行物体检测
使用 Python 和 Pytorch 使用 RCNN、Fast RCNN、Faster RCNN 模型执行对象检测
使用 Pytoch 和 Python 通过 UNet、PSPNet、DeepLab、PAN 和 UNet++ 模型执行语义分割
使用 Pytorch 和 Python 在自定义数据集上使用 Mask RCNN 执行实例分割
使用 Pytorch 和 Python 的深度学习模型 (ResNet、AlexNet) 执行图像单标签和多标签分类
提供分类、分割和对象检测的结果、数据集和完整 Python/Pytorch 代码的可视化

探索相关主题

计算机视觉
数据科学
发展

要求

本课程通过从零到精通的完整流程讲授使用 Python 和 Pytorch 进行计算机视觉和深度学习
无需具备计算机视觉和深度学习的先验知识。所有内容都将通过实践培训涵盖
需要有 Google Gmail 帐户才能开始使用 Google Colab 编写 Python 和 PytorchCode

描述

欢迎来到“使用 Python 和 PyTorch 进行现代计算机视觉和深度学习”课程！想象一下能够教会计算机像人类一样看世界。计算机视觉是一种人工智能 (AI)，它使计算机和机器能够看到视觉世界，就像人类看到和理解周围环境一样。人工智能 (AI) 使计算机能够思考，而计算机视觉使计算机能够看到、观察和解释。本课程专门设计用于提供全面的实践体验，将深度学习技术应用于主要的计算机视觉问题，包括图像分类、语义分割、实例分割和对象检测。在本课程中，您将从介绍计算机视觉和深度学习的基础知识开始，并学习如何使用 Python 和 PyTorch 为图像分类、图像分割和对象检测实现、训练、测试、评估和部署您自己的模型。

计算机视觉在自动驾驶汽车的发展中起着至关重要的作用。它使车辆能够感知和理解周围环境，以检测和分类环境中的各种物体，例如行人、车辆、交通标志和障碍物。这有助于做出明智的决策，实现安全高效的车辆导航。计算机视觉用于监视和安全，使用无人机跟踪可疑活动、入侵者和感兴趣的物体。它能够在公共场所、机场、银行和其他安全敏感区域进行实时监控和威胁检测。如今，计算机视觉应用在我们的日常生活中非常常见，包括相机和手机中的人脸检测、使用指纹和人脸识别登录设备、互动游戏、MRI、CT 扫描、图像引导手术等等。这门综合课程专门设计用于让您获得使用 Python 和 Pytorch 编码的实践经验，以构建、训练、测试和部署您自己的模型来解决主要的计算机视觉问题，包括图像分类、图像分割（语义分割和实例分割）和对象检测。那么，您准备好使用 Python 和 PyTorch 释放计算机视觉和深度学习的强大功能了吗：

掌握推动计算机视觉领域的前沿技术和算法。
深入研究深度学习的世界，并获得使用行业领先框架 Python 和 PyTorch 的实践经验。
探索构建能够理解、解释视觉数据并据此做出决策的智能系统背后的秘密。
释放力量来革新医疗保健、自主系统、机器人等行业。
通过沉浸式项目、真实世界应用和实践编码练习获得实践技能。
深入了解计算机视觉和深度学习的最佳实践、行业趋势和未来方向。

您将学到的内容：

本课程涵盖使用 Python 和 PyTorch 进行深度学习的计算机视觉任务的完整流程和实践经验，如下所示：

计算机视觉和深度学习简介及实际应用
学习用于计算机视觉的深度卷积神经网络 (CNN)
您将使用 Google Colab Notebooks 编写 python 和 Pytorch 代码。
使用 Python 的深度学习模型执行两种类型的图像分类。
- 单标签分类。
- 多标签分类。
您将能够学习迁移学习技术：
- 通过微调模型进行迁移学习。
- 通过使用模型作为固定特征提取器进行迁移学习。
您将学习如何执行数据增强。
您将学习如何微调深度 Resnet 模型。
您将学习如何使用深度 Resnet 模型作为固定特征提取器。
您将学习超参数优化和结果可视化。
语义图像分割及其在自动驾驶汽车或自主驾驶汽车等中的实际应用。
用于语义分割的深度学习架构包括：
- UNet 和 UNet++
- 金字塔场景解析网络（PSPNet），
- 金字塔注意力网络（PAN），
- 多任务上下文网络（MTCNet），
- DeepLabV3等
用于语义分割的数据集和数据注释工具
PyTorch 中的数据增强和数据加载用于语义分割
分割模型评估的性能指标（IOU）
使用不同的编码器和解码器架构在 PyTorch 中实现分割模型
分割模型的超参数优化与训练
测试分割模型并计算 IOU、类别 IOU、像素准确率、准确率、召回率和 F 分数
可视化分割结果并生成 RGB 预测分割图
使用 Pytorch 的深度学习模型学习对象检测
学习对象检测深度学习架构：
- RCNN，
- 快速 RCNN，
- 更快的 RCNN
- Mask RCNN
使用 Fast RCNN 和 Fast RCNN 执行对象检测
Facebook AI Research (FAIR) 的 Detectron2 简介
使用 Detectron2 模型进行预成型物体检测
探索带有注释的自定义对象检测数据集
使用深度学习对自定义数据集执行对象检测
训练、测试、评估您自己的对象检测模型并可视化结果
使用 Pytorch 和 Python 在自定义数据集上使用 Mask RCNN 执行实例分割

谁应该参加：

本课程面向广泛的学生和专业人士，包括但不限于：

计算机视觉工程师、人工智能 AI爱好者和研究人员，他们想要学习如何使用 Python 和 PyTorch 构建、训练和部署用于计算机视觉问题的深度学习模型
希望将深度学习应用于计算机视觉任务的机器学习工程师、深度学习工程师和数据科学家
想要将计算机视觉和深度学习功能融入其项目的开发人员
想要了解计算机视觉深度学习最新进展的计算机科学、电子工程和其他相关领域的研究生和研究人员
总的来说，本课程适合任何想要学习如何使用深度学习从视觉数据中提取含义，并更深入地了解使用 Python 和 PyTorch 的计算机视觉理论和实际应用的人。

本课程专为人工智能爱好者、数据科学家、软件工程师、研究人员以及任何热衷于释放计算机视觉和深度学习潜力的人而设计。无论您是经验丰富的专业人士还是刚刚开始您的旅程，本课程都将为您提供在这个快速发展的领域中脱颖而出所需的技能和知识。

加入远见卓识革命：

不要错过这个绝佳的机会，加入现代计算机视觉和深度学习的远见卓识革命。扩展您的技能组合，突破创新界限，踏上变革之旅，开启无限可能之门。在本课程结束时，您将掌握开始将深度学习应用于计算机视觉问题（包括图像分类、图像分割和对象检测）所需的知识和技能，并将其应用于您自己的工作或研究中。无论您是计算机视觉工程师还是开发人员，本课程都是将您对深度学习的理解提升到新水平的完美方式。让我们开始使用 Python 和 PyTorch 进行计算机视觉深度学习的激动人心的旅程。

课堂上见！