- Autor:
- Długość
- liczba lekcji: 12, czas trwania: 03:29:35
- Ocena
Kurs video
OpenCV i Python. Kurs video. Przetwarzanie obrazów z zastosowaniem sieci neuronowych Mateusz Zimoch
- Autor:
- Mateusz Zimoch
- Wydawnictwo:
- Videopoint
- Wersja:
- Online
- Czas trwania:
- 3 godz. 29 min.
- Technologia:
- OpenCV 4.2, TensorFlow 2.16
- Ocena:
Spis lekcji kursu video
-
1. Wstęp 00:28:54
-
2. Klasyczny proces widzenia maszynowego - klasteryzacja konturów 00:35:37
-
3. Uczenie głębokie w widzeniu maszynowym 01:58:30
- 3.1. Użycie MLP w widzeniu maszynowym 00:23:29
- 3.2. Operacja splotu 00:18:19
- 3.3. Sieci konwolucyjne 00:22:06
- 3.4. Sieci konwolucyjne - zapobieganie przeuczeniu 00:18:52
- 3.5. Gotowe architektury sieci konwolucyjnych 00:13:52
- 3.6. Wykorzystanie sieci neuronowych w innych zadaniach przetwarzania obrazu 00:21:52
-
4. Rozszerzanie danych - data augmentation 00:13:54
-
5. Transfer learning 00:12:40
Opis
kursu video
:
OpenCV i Python. Kurs video. Przetwarzanie obrazów z zastosowaniem sieci neuronowych
Obierz kurs na przetwarzanie obrazów w Pythonie
Przetwarzanie obrazów to dynamicznie rozwijająca się dziedzina, która znajduje zastosowanie w licznych branżach, takich jak medycyna, motoryzacja, przemysł rozrywkowy, bezpieczeństwo, rolnictwo czy marketing. Umożliwia automatyczne rozpoznawanie obiektów, analizę obrazów medycznych i tworzenie interaktywnych aplikacji korzystających ze sztucznej inteligencji. Warto się zagłębić w techniki przetwarzania obrazów, które stały się dostępniejsze i skuteczniejsze niż kiedykolwiek wcześniej dzięki lepszemu wykorzystaniu mocy obliczeniowej niezbędnej do procesowania sieci konwolucyjnych (CNN) i algorytmów YOLO. Ponadto modele generatywne, jak DALL-E czy Midjourney, oferują możliwości generowania obrazów na potrzeby trenowania modeli AI, co pozwala zwiększać różnorodność i wielkość puli danych (ang. data augmentation). Powszechnym narzędziem w segmencie computer vision jest biblioteka OpenCV. Jest używana do analizy obrazów, rozpoznawania obiektów, detekcji twarzy, wykrywania ruchu czy segmentacji obrazów. OpenCV oferuje dostęp do szerokiego zakresu narzędzi i algorytmów, a dobre opanowanie biblioteki otwiera drzwi do ciekawych projektów związanych z widzeniem komputerowym. Umiejętność przetwarzania obrazów jest niezwykle ceniona na rynku pracy - specjaliści mogą liczyć na atrakcyjne stanowiska i różnorodne wyzwania technologiczne.
Co Cię czeka podczas naszego profesjonalnego szkolenia
Podczas kursu:
- Zrozumiesz, czym jest przetwarzanie obrazów i jakie ma zastosowania
- Zainstalujesz i skonfigurujesz bibliotekę OpenCV w Pythonie
- Skonfigurujesz środowisko Jupyter Notebook i Google Colaboratory
- Zapoznasz się z klasycznym podejściem w przetwarzaniu obrazów na podstawie zadania z wykrywaniem obiektów na obrazie
- Zrozumiesz podstawy działania w pełni połączonych sieci neuronowych
- Wprowadzisz się do sieci konwolucyjnych (CNN) i ich zastosowania w przetwarzaniu obrazów
- Zbudujesz proste modele CNN od podstaw przy użyciu biblioteki Tensorflow (moduł Keras) w Pythonie
- Zapobiegniesz przeuczeniu sieci neuronowych
- Wykorzystasz gotowe architektury sieci neuronowych
- Zastosujesz techniki przetwarzania obrazów i CNN do detekcji i rozpoznawania obiektów na obrazach
- Poznasz algorytm YOLO
- Wykorzystasz techniki wzbogacania danych obrazowych (obracanie, przesuwanie, zmiana jasności, zoomowanie, odwracanie lustrzane itp.)
- Zrozumiesz koncepcję transfer learningu i jego zalety
- Skorzystasz z gotowych modeli do rozwiązania nowych problemów przetwarzania obrazów za pomocą transfer learningu
Szkolenie OpenCV i Python. Kurs video. Przetwarzanie obrazów z zastosowaniem sieci neuronowych otworzy przed Tobą praktyczne zastosowania przetwarzania obrazów. To unikalna okazja do zrozumienia, jak ewoluowały techniki przetwarzania obrazów i jakie korzyści niosą za sobą najnowsze technologie. Na początek nauczysz się obsługi narzędzi, w tym instalacji i konfiguracji OpenCV, a także środowisk Jupyter Notebook i Google Colaboratory. Następnie poznasz klasyczne metody przetwarzania obrazów, w tym filtrację i detekcję krawędzi, i zapoznasz się z nowoczesnymi podejściami opartymi na sieciach konwolucyjnych (CNN). Zbudujesz proste modele CNN - od podstaw, nauczysz się także zapobiegać ich przeuczeniu i używać gotowych architektur sieci neuronowych. Zapoznasz się z technikami wzbogacania danych obrazowych i koncepcją transfer learningu, aby jeszcze efektywniej trenować modele. Na koniec nabędziesz umiejętności stosowania technik przetwarzania obrazów do detekcji i rozpoznawania obiektów na obrazach za pomocą algorytmu YOLO. Kurs ukończysz na poziomie średnio zaawansowanym i będziesz w stanie samodzielnie napisać konwolucyjną sieć neuronową z Tensorflow do wybranego zadania przetwarzania obrazu lub użyć gotowej architektury opartej na transfer learningu.
Systematyczność i ciężka praca to droga do sukcesu. Nikt nie urodził się wszechwiedzący. Jeśli będziesz poświęcać godzinę dziennie na naukę i samorozwój, prędzej czy później osiągniesz zamierzony cel.
Wybrane bestsellery
Videopoint - inne książki
Dzięki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep@ebookpoint.pl
Książka drukowana
Oceny i opinie klientów: OpenCV i Python. Kurs video. Przetwarzanie obrazów z zastosowaniem sieci neuronowych Mateusz Zimoch (0) Weryfikacja opinii następuje na podstawie historii zamowień na koncie Użytkownika umiejszczającego opinię.