【Udemy中英字幕】Convolutional Neural Networks for Image Classification

用于图像分类的卷积神经网络

设计自己的深度 CNN，实现精确的图像识别，并通过摄像头进行实时训练和测试

讲师：Valentyn Sichkar

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

• 设计具有高精度结果的深度 CNN 架构
• 通过摄像头实时展示分类
• 生成合成数据以增强现有数据集
• 为分类任务组装自己的自定义数据集
• 修改分类任务的现有数据集
• 在训练之前对数据集应用预处理技术
• 在 Keras 中训练深度 CNN
• 训练后对新图像进行分类

探索相关主题

• 卷积神经网络（CNN）
• 软件工程
• 发展

要求

• 图像分类算法的基础知识
• CNN 工作原理的基础知识
• 具备 Python V3 的中级知识
• OpenCV 基础知识
• Tensorflow 基础知识
• 关于如何使用 Anaconda 环境的基础知识
• Jupyter Notebook 中的编码基础知识

描述

在本实践课程中，您将设计、训练和测试自己的卷积神经网络 (CNN)以完成图像分类任务。

课程结束时，您将能够构建自己的图像分类应用程序。

1. 首先，您将借助不同的过滤器、纯 Numpy 库和“for”循环对灰度图像执行卷积、池化和这两种操作的组合。我们还将通过摄像头实时执行卷积来检测物体边缘并跟踪物体运动。

2. 之后，您将把图像组合在一起，为分类任务组成自定义数据集，并将创建的数据集保存到二进制文件中。

3. 接下来，您将把现有的交通标志数据集转换为分类任务所需的格式，并将其保存为二进制文件。

4. 然后，您将在训练之前应用预处理技术，生成并将处理后的数据集保存到单独的二进制文件中。

5. 下一步，您将构建用于分类任务的 CNN 模型，选择所需的层数以进行准确分类并调整其他参数。

6. 当模型设计完成并且数据集准备好后，您将训练构建的 CNN，在全新图像上测试训练好的模型，通过摄像头实时对图像进行分类，并可视化过滤器从随机初始化到最终训练的训练过程。

7. 在最后一步，您将根据课程中学到的所有材料通过练习测试。

8. 作为奖励部分，您将生成多达 100 万张额外图像，并通过图像旋转、图像投影和亮度变化 用新图像扩展准备好的数据集。

该课程的主要目标是培养和提高您的硬技能，以便将它们应用于基于卷积神经网络的图像分类的实际问题。

课程的每一堂课都有SMART 目标。这意味着，您可以在课程结束后立即跟踪您的进度并在可见的时间范围内见证实际成果。

• S – 具体（讲座有具体目标）

• M – 可衡量（结果合理且可量化）

• A – 可实现（讲座有明确的步骤来实现目标）

• R-结果导向（课程结束时即可获得结果）

• T——时间导向（可以在可见的时间范围内获得结果）

本课程适合哪些人：

• 想要使用 CNN 构建完整图像分类应用程序的学生
• 想要在下一次实习或理想工作面试之前提高使用 CNN 进行图像分类的硬技能的学生
• 想要使用 CNN 和自己的数据进行图像分类但不知道从哪里开始的学生
• 研究不同图像分类算法并希望使用自定义数据训练 CNN 并将结果与​​其他方法进行比较的年轻研究人员
• 了解图像分类基础知识但想知道如何使用新数据训练 CNN 的学生
• 研究计算机视觉并想知道如何使用 CNN 进行图像分类的学生
• 从事安全驱动项目并希望使用 CNN 对交通标志进行分类的学生
• 开发驾驶员警报系统并需要对交通标志进行分类的学生