معرفی دوره: تشخیص اشیاء با یادگیری عمیق در متلب
این دوره به شما نحوه استفاده از الگوریتمهای پیشرفته تشخیص اشیاء (Object Detection) را با استفاده از یادگیری عمیق (Deep Learning) در متلب آموزش میدهد. شما با انواع مدلها مانند RCNN، Fast RCNN، Faster RCNN و YOLO آشنا میشوید و یاد میگیرید که چگونه این مدلها را برای دیتاستهای مختلف مانند تشخیص علائم رانندگی، تشخیص خودرو (Car Detection) و تشخیص عابر پیاده (Pedestrian Detection) پیادهسازی کنید. همچنین، مفاهیم مرتبط با پردازش GPU، آموزش مدلهای پیشآموزشدیده (Pretrained Neural Networks) مانند Resnet18، و تنظیمات شبکههای عصبی Training Options در این دوره بررسی میشوند.
دیدن معرفی معماریهای مهم برای تشخیص شی
سرفصلهای دوره:
فصل اول: بررسی پیدایش RCNN و تکامل آن
- معرفی RCNN و مقایسه آن با دیگر روشهای تشخیص اشیاء.
- بررسی الگوریتمهای Fast RCNN و Faster RCNN و پیشرفتهای آنها.
- تحلیل مقالات و مطالعات موردی مرتبط با این الگوریتمها.
- مقایسه عملکرد RCNN، Fast RCNN و Faster RCNN.
فصل دوم: پردازش یادگیری عمیق در متلب
- نکات لازم برای راهاندازی سختافزار و نرمافزار برای یادگیری عمیق در متلب.
- نحوه استفاده از پردازش GPU برای تسریع آموزش مدلها.
- تنظیمات محیط متلب برای پردازش دادههای تصویری.
فصل سوم: Groundtruth و لیبلگذاری در تشخیص اشیاء
- مفهوم Groundtruth در تشخیص اشیاء و روشهای لیبلگذاری.
- اهمیت دقت در تهیه دادههای برچسبگذاریشده و اثر آن بر روی عملکرد مدل.
- ابزارهای مورد استفاده برای تولید و مدیریت دادههای Groundtruth.
فصل چهارم: کدنویسی با استفاده از معماریهای مختلف در متلب
فصل چهارم-1: استفاده از RCNN در دیتاستهای مختلف
- آموزش نحوه پیادهسازی RCNN در متلب برای دیتاستهایی مانند علائم رانندگی و ماشینها.
- تنظیمات و روشهای آموزش مدلهای RCNN.
- بهینهسازی عملکرد برای دیتاستهای خاص.
فصل چهارم-2: استفاده از Fast و Faster RCNN برای شناسایی عابر پیاده
- پیادهسازی Fast RCNN و Faster RCNN برای تشخیص عابر پیاده در تصاویر.
- تنظیمات شبکههای عصبی و تنظیمات دیتاستهای مربوطه.
- استفاده از مدلهای از پیشآموزش دیده برای بهبود دقت تشخیص.
فصل چهارم-3: تنظیمات شبکه و استفاده از معماریهای پیشآموزش دیده
- آموزش نحوه استفاده از مدلهای پیشآموزش دیده برای تسریع فرآیند آموزش.
- تنظیمات خاص معماریها برای دیتاستهای علائم رانندگی، ماشین و عابر پیاده.
- بهینهسازی مدلهای یادگیری عمیق برای به دست آوردن بهترین نتایج.
فصل پنجم: استفاده از شبکه یولو YOLO برای تشخیص اشیاء
- آشنایی با مدل YOLO و نحوه استفاده از آن برای تشخیص اشیاء در تصاویر.
- پیادهسازی YOLO برای تشخیص خودروها.
این دوره به شما ابزارهای ضروری و تکنیکهای پیشرفته برای تشخیص اشیاء با استفاده از یادگیری عمیق و متلب را ارائه میدهد، که میتوانید از آنها برای حل چالشهای پیچیده در کاربردهای مختلف بهرهبرداری کنید.
نویسنده: حسن سعادتمند
- بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
- بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
- چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
- مدرس فرادرس
- کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا
نقد و بررسیها
هنوز بررسیای ثبت نشده است.