【Udemy中英字幕】[NEW] 2024:Mastering Computer Vision With GenAI :12 Projects

[新] 2024：利用 GenAI 掌握计算机视觉：12 个项目

CNN、LSTM、GAN、迁移学习、数据增强/注释、Deepfake、YOLO、人脸识别、物体检测、追踪

讲师：MG Analytics

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

• 深度学习
• TensorFlow 教程
• 喀拉拉斯坦
• 卷积神经网络（CNN）
• 循环神经网络（RNN）
• LSTM（长短期记忆）
• 门控循环单元 (GRU)
• Keras 回调/检查点/提前停止
• 生成对抗网络 (GAN)
• 图像字幕
• KERAS 预处理层
• 迁移学习
• 图像分类
• 数据注释
• 两次检测 MASK RCNN
• 一次性检测 YOLO
• YOLO 世界
• 月之梦
• 人脸识别
• 人脸交换 – 深度伪造生成（图片 + 视频
• 物体检测
• 语义分割
• 实例分割
• 关键点检测
• 姿势检测/动作识别
• 视频中的物体追踪
• 视频中的物体计数
• 图像生成奖励课程
• 项目
• 图像网
• 可可
• Pytorch
• 分割
• 分类
• 模式识别
• 深度学习
• 机器学习
• 特征提取
• 人类行为识别
• 图像注释
• 图像分类
• 物体识别
• Deepfake

探索相关主题

• 计算机视觉
• 数据科学
• 发展

要求

• 机器学习基础知识
• Python

描述

欢迎来到深度学习的世界！本课程旨在为您提供在这个激动人心的领域取得成功所需的知识和技能。无论您是想要提升技能的机器学习从业者，还是渴望探索深度学习潜力的完全初学者，本课程都能满足您的需求。

您将学到的内容：

掌握深度学习的基础知识，包括 Tensorflow 和 Keras 库。

深入了解核心深度学习算法，如卷积神经网络 (CNN)、循环神经网络 (RNN) 和生成对抗网络 (GAN)。

通过涉及图像分类、对象检测和图像字幕等任务的实践项目获得实践经验。

探索迁移学习、数据增强等高级主题，以及 YOLOv8 和稳定扩散等尖端模型。

课程安排精心设计，提供全面的学习体验：

第 1 部分：计算机视觉简介和基础：提供计算机视觉概念、图像处理基础和颜色空间的基础。

第 2 部分：神经网络 – 进入深度学习的世界：介绍神经网络的概念、其工作原理及其在深度学习问题中的应用。

第 3 部分：Tensorflow 和 Keras：深入研究流行的深度学习框架 Tensorflow 和 Keras，解释它们的功能和 API 用法。

第 4 部分：图像分类解释和项目：解释卷积神经网络 (CNN)，即图像分类任务的主力，并通过实践项目巩固您的理解。

第 5 节：Keras 预处理层和迁移学习：演示如何利用 Keras 预处理层进行数据增强，并探索迁移学习对更快模型开发的力量。

第 6 节：RNN LSTM 和 GRU 简介：介绍用于处理序列数据的循环神经网络 (RNN)、长短期记忆 (LSTM) 网络和门控循环单元 (GRU)。

第 7 部分：GANS 和图像字幕项目：介绍生成对抗网络 (GAN) 及其应用，然后介绍一个展示其功能的图像字幕项目。

第 9 节：您应该了解的有关对象检测的所有内容：深入研究对象检测，涵盖两步检测、RCNN 架构（Fast RCNN、Faster RCNN、Mask RCNN）、YOLO 和 SSD 等各种方法。

第 10 节：图像注释工具：介绍用于图像注释的工具，对于为对象检测任务创建标记数据集至关重要。

第 11 节：用于对象检测、分类、分割、姿势检测的 YOLO 模型：深入探索 YOLO 模型，包括 YOLOv5、YOLOv8 及其在对象检测、分类、分割和姿势检测方面的能力。本节包括使用 YOLOv5 进行对象检测的项目。

第 12 节：使用 FAST-SAM 进行分割：介绍用于语义分割任务的 FAST-SAM（Segment Anything Model，分割任何模型）。

第 13 节：对象跟踪和计数项目：提供使用 YOLOv8 进行对象跟踪和计数项目的机会。

第 14 节：人类动作识别项目：指导您完成使用深度学习模型进行人类动作识别的项目。

第 15 节：图像分析模型：简要探讨用于图像分析任务的预训练模型，例如 YOLO-WORLD 和 Moondream1。

第 16 节：人脸检测与识别（年龄性别情绪分析）：介绍人脸检测和识别技术，包括用于从图像中分析年龄、性别和情绪的 DeepFace 库。

第 17 节：Deepfake 生成：概述 Deepfake 及其生成方式。

第 18 节：奖励主题：生成式人工智能 – 通过提示生成图像 – 扩散模型：介绍生成式人工智能的激动人心的世界，重点关注稳定扩散模型，包括 CLIP、U-Net 以及相关工具和资源。

本课程的独特之处：

最新课程：本课程融合了深度学习的最新进展，包括 YOLOv8、稳定扩散和 Fast-SAM。

实践项目：通过实际项目应用您的学习，加深对实际应用的理解。

清晰的解释：复杂的概念被分解为易于理解的模块，并附有详细的解释和示例。

结构化的学习路径：组织良好的课程确保轻松的学习体验

本课程适合哪些人：

• 渴望学习深度学习的初级机器学习从业者
• 具有基本 ML 知识的 Python 开发人员
• 任何想了解基于深度学习的计算机视觉算法的人