بینایی کامپیوتر با استفاده از OpenCV 4 keras و TensorFlow 2

Hands-On Computer Vision with OpenCV 4, Keras, and TensorFlow 2 [Video]

بینایی کامپیوتر با استفاده از OpenCV 4 ،keras و TensorFlow 2

Hands-On Computer Vision with OpenCV 4, Keras, and TensorFlow 2

Hands-On-Computer-Vision
بینایی کامپیوتر OpenCV 4 keras

شرح:

بینایی کامپیوتر با استفاده از OpenCV 4 ،keras و TensorFlow 2 که توسط Packt منتشر شده است. این شامل تمام فایل های پروژه پشتیبانی لازم برای کار در دوره ویدیویی از ابتدا تا انتها است.

درباره دوره ویدیویی:

آیا می خواهید بفهمید رایانه ها چگونه تصاویر و ویدیوها را می بینند؟ با استفاده از هوش مصنوعی، می‌توانیم رایانه‌ها و دستگاه‌های هوشمند را قادر به تفسیر آنچه در یک تصویر هستند (بینایی کامپیوتری) کنیم.

این می تواند مزایای زیادی را در مورد خودکارسازی کارهایی که تصاویر برای آنها حیاتی هستند، مانند بررسی تصاویر پزشکی یا امکان دیدن خودروهای خودران، به همراه داشته باشد. در حال حاضر، این برنامه‌ها در حال ایجاد صنعت عظیمی در زمینه بینایی کامپیوتر هستند – صنعتی که قرار است به سرعت در حال رشد باشد و برخی منابع پیش‌بینی می‌کنند که ارزش آن تا سال 2023 بیش از 43 میلیارد دلار خواهد بود.

این دوره پایه و اساس کاملی را برای درک بینایی کامپیوتر در اختیار شما قرار می دهد و از پیشرفت حرفه ای شما در این عرصه به سرعت در حال رشد پشتیبانی می کند. ابتدا مفاهیم اولیه را یاد می گیریم و با استفاده از OpenCV4، محبوب ترین کتابخانه بینایی کامپیوتری منبع باز، آنها را بررسی می کنیم. در مرحله بعد، استفاده از یادگیری ماشینی در بینایی کامپیوتر را بررسی می‌کنیم، از جمله استفاده از یادگیری عمیق (با استفاده از TensorFlow 2.0 و Keras) برای پیاده‌سازی طبقه‌بندی‌کننده‌های تصویر پیشرفته.

این دوره برای کمک به دانشمندان داده، و کسانی که قبلاً با ML و DL (و تجربه با Python، Keras و TensorFlow) آشنایی دارند، طراحی شده است تا به درک کاملی از OpenCV دست یابند و مدل‌های یادگیری عمیق بینایی رایانه خود را آموزش دهند.
آنچه شما یاد خواهید گرفت

در دوره بینایی کامپیوتر OpenCV 4 keras می آموزید:

دستکاری تصویر (ده ها تکنیک – مانند تبدیل، محو کردن، آستانه گذاری، تشخیص لبه، و برش)
نحوه تقسیم‌بندی تصاویر با استفاده از الگوریتم‌های OpenCV مختلف، از کانتور کردن تا تشخیص لکه و خط
کانتورها را تقریبی کنید و فیلتر کردن، ترتیب‌بندی و تقریب‌های کانتور را انجام دهید
تشخیص اشیا را برای چهره ها، افراد و اتومبیل ها انجام دهید
استفاده از یادگیری ماشین در بینایی کامپیوتر، از جمله درک مدل‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشنال
ایجاد طیف متفاوتی از طبقه‌بندی‌کننده‌های تصویر – برای مثال، تشخیص ارقام دست‌نویس، تشخیص حرکات، و دیگر طبقه‌بندی‌کننده‌های چند کلاسه
تشخیص چهره را با یادگیری عمیق انجام دهید

بهتر است این پیش نیاز ها را داشته باشید:

برای اتمام موفقیت آمیز این دوره، دانشجویان به سیستم های کامپیوتری با حداقل موارد زیر نیاز دارند:
• مقداری دانش قبلی از برنامه نویسی در پایتون، اما لازم نیست
• آشنایی با مفاهیم اولیه برنامه نویسی
• دانش یادگیری ماشین اولیه مفید خواهد بود اما لازم نیست

نیازهای سخت افزاری توصیه شده:

برای تجربه بهتر بینایی کامپیوتر OpenCV 4 keras با آزمایشگاه‌های عملی و سایر فعالیت‌های عملی، پیکربندی زیر را توصیه می‌کنیم:
• CPU: 2 x 64 بیتی، حداقل اندازه رم 4 گیگابایت
• فضای ذخیره سازی: حداقل 2 گیگابایت توصیه می شود
• دسترسی به اینترنت برای دانلود فایل های GitHub و مشاهده فیلم ها

Introduction to Computer Vision with OpenCV

مقدمه ای بر بینایی کامپیوتر با OpenCV

01 Course Overview 01 بررسی اجمالی دوره
02 Setting Up Your Computer Vision Tools (Python, OpenCV 4, TensorFlow 2.0, and Keras) 02 راه اندازی ابزارهای بینایی کامپیوتر شما (Python، OpenCV 4، TensorFlow 2.0 و Keras)
03 Image Formation and Digital Representation 03 تشکیل تصویر و نمایش دیجیتال
04 Getting Started with OpenCV 4 04 شروع با OpenCV 4
05 Getting Started with OpenCV 4 – Practical 05 شروع با OpenCV 4 – عملی
06 Understanding Color Spaces and Applying Grayscaling 06 درک فضاهای رنگی و استفاده از مقیاس خاکستری
07 Understanding Color Spaces and Applying Grayscaling – Practical 07 درک فضاهای رنگی و بکارگیری مقیاس خاکستری – عملی
08 Creating and Drawing on Images with OpenCV 08 ایجاد و طراحی روی تصاویر با OpenCV
mage Manipulations in OpenCV Operations

mage دستکاری در عملیات OpenCV

09 Translations, Rotations, and Transformations 09 ترجمه ها، چرخش ها و تبدیل ها
10 Scaling, Resizing, Interpolations, and Cropping 10 مقیاس بندی، تغییر اندازه، درون یابی، و برش
11 Scaling, Resizing, Interpolations, and Cropping – Practical 11 مقیاس بندی، تغییر اندازه، درون یابی و برش – عملی
12 Arithmetic and Bitwise Operations 12 عملیات حسابی و بیتی
13 Blurring and Sharpening Images 13 تار و تیز کردن تصاویر
14 Blurring and Sharpening Images – Practical 14 تار و تیز کردن تصاویر – عملی
15 Thresholding, Binarization, and Adaptive Thresholding 15 آستانه، دوتایی، و آستانه تطبیقی
16 Thresholding, Binarization, and Adaptive Thresholding – Practical 16 آستانه، دوتایی، و آستانه تطبیقی ​​- عملی
17 Dilation, Erosion, and Edge Detection 17 اتساع، فرسایش، و تشخیص لبه
18 Dilation, Erosion, and Edge Detection – Practical 18 اتساع، فرسایش، و تشخیص لبه – عملی
Image Segmentation and Object Detection in OpenCV

تقسیم بندی تصویر و تشخیص اشیا در OpenCV

19 Segmentation and Contours 19 تقسیم بندی و خطوط
20 Segmentation and Contours – Practical 20 تقسیم بندی و خطوط – عملی
21 Sorting and Approximating Contours 21 مرتب سازی و تقریب خطوط
22 Sorting and Approximating Contours – Practical 22 مرتب سازی و تقریب خطوط – عملی
23 Line, Circle, and Blob Detection 23 تشخیص خط، دایره و لکه
24 Line, Circle, and Blob Detection – Practical 24 تشخیص خط، دایره و لکه – عملی
25 Object Detection with HAAR Cascade Classifiers 25 تشخیص شی با طبقه بندی کننده های آبشاری HAAR
26 Face and Eye Detection 26 تشخیص چهره و چشم
27 Car and People Detection 27 ماشین و تشخیص افراد
Machine Learning and Deep Learning in Computer Vision

یادگیری ماشین و یادگیری عمیق در بینایی کامپیوتر

28 Machine Learning in Computer Vision 28 یادگیری ماشین در بینایی کامپیوتر
29 Deep Learning and Neural Networks 29 یادگیری عمیق و شبکه های عصبی
30 Introduction to Convolutional Neural Networks 30 مقدمه ای بر شبکه های عصبی کانولوشن
31 Creating a CNN Using Keras and TensorFlow 2.0 31 ایجاد CNN با استفاده از Keras و TensorFlow 2.0
32 Loading and Preparing Image Data 32 بارگیری و آماده سازی داده های تصویر
33 Training Our CNN and Analyzing Performance 33 آموزش CNN و تجزیه و تحلیل عملکرد

Deep Learning for Advanced Image Recognition, Facial Recognition, and Gesture Recognition

یادگیری عمیق برای تشخیص تصویر پیشرفته، تشخیص چهره و تشخیص حرکت

34 Understanding CNN Design and Training 34 درک طراحی و آموزش CNN
35 Gesture Recognition Using Sign Language MNIST 35 تشخیص ژست با استفاده از زبان اشاره MNIST
36 Building Your Own Gesture Recognition System with Your Own Data 36 ساختن سیستم تشخیص ژست خود با داده های خود
37 Facial Recognition with Deep Learning 37 تشخیص چهره با یادگیری عمیق
38 Implementing VGG Face for Facial Similarity Comparison 38 پیاده سازی VGG Face برای مقایسه تشابه صورت
39 Building a Deep Learning Facial Recognition System 39 ساختن یک سیستم تشخیص چهره یادگیری عمیق

Deep Learning Transfer Learning and Object Detection

یادگیری انتقال و تشخیص اشیا با بینایی کامپیوتر OpenCV 4 keras

40 Pre-Trained ImageNet Models 40 مدل ImageNet از پیش آموزش دیده
41 Introduction to Transfer Learning 41 مقدمه ای بر یادگیری انتقالی
42 Implementing Transfer Learning on CIFAR-10 42 پیاده سازی آموزش انتقال در CIFAR-10
43 R-CNNs, SSDs, and YOLO 43 R-CNN، SSD و YOLO
44 Implementing Object Detection with SSDs and YOLO 44 پیاده سازی تشخیص اشیا با SSD و YOLO
45 Neural Art Style Transfer 45 انتقال سبک هنر عصبی

براي ديدن سورس و فايل تمرين از سايت مرجع استفاده كنيد.

معرفی دورهنمایش رایگان

02 راه اندازی ابزارهای بینایی کامپیوتر شما (Python، OpenCV 4، TensorFlow 2.0 و Keras)نمایش رایگان

9دقیقه

03 تشکیل تصویر و نمایش دیجیتالنمایش رایگان

8دقیقه

04 شروع با OpenCV 4نمایش رایگان

4دقیقه

05 شروع با OpenCV 4 - عملینمایش رایگان

12دقیقه

06 درک فضاهای رنگی و استفاده از مقیاس خاکسترینمایش رایگان

5دقیقه

07 درک فضاهای رنگی و بکارگیری مقیاس خاکستری - عملی

7دقیقه

08 ایجاد و طراحی روی تصاویر با OpenCVنمایش رایگان

10دقیقه

09 ترجمه ها، چرخش ها و تبدیل هانمایش رایگان

13دقیقه

10 مقیاس بندی، تغییر اندازه، درون یابی، و برشنمایش رایگان

5دقیقه

11 مقیاس بندی، تغییر اندازه، درون یابی و برش - عملینمایش رایگان

9دقیقه

12 عملیات حسابی و بیتینمایش رایگان

6دقیقه

13 تار و تیز کردن تصاویرنمایش رایگان

4دقیقه

14 تار و تیز کردن تصاویر - عملینمایش رایگان

6دقیقه

15 آستانه، دوتایی، و آستانه تطبیقینمایش رایگان

4دقیقه

16 آستانه، دوتایی، و آستانه تطبیقی ​​- عملینمایش رایگان

6دقیقه

17 اتساع، فرسایش، و تشخیص لبهنمایش رایگان

6دقیقه

18 اتساع، فرسایش، و تشخیص لبه - عملینمایش رایگان

7دقیقه

19 تقسیم بندی و خطوطنمایش رایگان

7دقیقه

20 تقسیم بندی و خطوط - عملینمایش رایگان

4دقیقه

21 مرتب سازی و تقریب خطوطنمایش رایگان

3دقیقه

22 مرتب سازی و تقریب خطوط - عملینمایش رایگان

9دقیقه

23 تشخیص خط، دایره و لکهنمایش رایگان

3دقیقه

24 تشخیص خط، دایره و لکه - عملینمایش رایگان

4دقیقه

25 تشخیص شی با طبقه بندی کننده های آبشاری HAARنمایش رایگان

7دقیقه

26 تشخیص چهره و چشمنمایش رایگان

7دقیقه

27 ماشین و تشخیص افرادنمایش رایگان

4دقیقه

28 یادگیری ماشین در بینایی کامپیوترنمایش رایگان

11دقیقه

29 یادگیری عمیق و شبکه های عصبینمایش رایگان

7دقیقه

30 مقدمه ای بر شبکه های عصبی کانولوشننمایش رایگان

12دقیقه

31 ایجاد CNN با استفاده از Keras و TensorFlow 2.0نمایش رایگان

6دقیقه

32 بارگیری و آماده سازی داده های تصویرنمایش رایگان

11دقیقه

33 آموزش CNN و تجزیه و تحلیل عملکردنمایش رایگان

17دقیقه

34 درک طراحی و آموزش CNNنمایش رایگان

9دقیقه

35 تشخیص ژست با استفاده از زبان اشاره MNISTنمایش رایگان

14دقیقه

36 ساختن سیستم تشخیص ژست خود با داده های خودنمایش رایگان

11دقیقه

37 تشخیص چهره با یادگیری عمیقنمایش رایگان

7دقیقه

38 پیاده سازی VGG Face برای مقایسه تشابه صورتنمایش رایگان

7دقیقه

39 ساختن یک سیستم تشخیص چهره یادگیری عمیقنمایش رایگان

6دقیقه

40 مدل ImageNet از پیش آموزش دیدهنمایش رایگان

9دقیقه

41 مقدمه ای بر یادگیری انتقالینمایش رایگان

5دقیقه

42 پیاده سازی آموزش انتقال در CIFAR-10نمایش رایگان

8دقیقه

43 R-CNN، SSD و YOLOنمایش رایگان

15دقیقه

44 پیاده سازی تشخیص اشیا با SSD و YOLOنمایش رایگان

9دقیقه

45 انتقال سبک هنر عصبینمایش رایگان

15دقیقه

دانلود یکجا ویدئو ها قسمت یک

دانلود یکجا ویدئو ها قسمت دو

دیدگاهتان را با ما درمیان بگذارید
تعداد دیدگاه : 0
امتیاز کلی : 0.0
پیشنهاد شده توسط : 0 کاربر
بر اساس 0 فروش
0
0
0
0
0

هیچ دیدگاهی برای این محصول نوشته نشده است.

لطفا پیش از ارسال نظر، خلاصه قوانین زیر را مطالعه کنید:

فارسی بنویسید و از کیبورد فارسی استفاده کنید. بهتر است از فضای خالی (Space) بیش‌از‌حدِ معمول، شکلک یا ایموجی استفاده نکنید و از کشیدن حروف یا کلمات با صفحه‌کلید بپرهیزید.

نظرات خود را براساس تجربه و استفاده‌ی عملی و با دقت به نکات فنی ارسال کنید؛ بدون تعصب به محصول خاص، مزایا و معایب را بازگو کنید و بهتر است از ارسال نظرات چندکلمه‌‌ای خودداری کنید.
اولین کسی باشید که دیدگاهی می نویسد “بینایی کامپیوتر با استفاده از OpenCV 4 keras و TensorFlow 2”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

قیمت:

رایگان

بینایی کامپیوتر با استفاده از OpenCV 4 ،keras و TensorFlow 2 که توسط Packt منتشر شده است. این شامل تمام فایل های پروژه پشتیبانی لازم برای کار در دوره ویدیویی از ابتدا تا انتها است.

امتیازی ثبت نشده است
تعداد دانشجو : 5
مدت دوره: 06:07ساعتتاریخ انتشار: 17 آبان 1400آخرین بروزرسانی: 17 آبان 1400تعداد بازدید: 391
مدرس

Sona Mehrabi

قیمت:

رایگان