بینایی کامپیوتر با استفاده از OpenCV 4 ،keras و TensorFlow 2
Hands-On Computer Vision with OpenCV 4, Keras, and TensorFlow 2
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.
هیچ دیدگاهی برای این محصول نوشته نشده است.