Машинное зрение: распознавание объектов на Python
Обучение и оптимизация сверточных нейросетей для распознавания объектов на изображениях
Авторы: Центр digital-профессий ITtensive
Опубликовано: 9/2020
Чему вы научитесь
Первый курс из серии Машинное зрение посвящен распознаванию изображений с помощью нейронных сетей на Python. Курс состоит из 3 больших частей:
Введение в нейронные сети
Разберем основы нейросетей: нейрон, слои, связи, обратное распространение ошибки и многослойный перцептрон. Изучим особенности обучения и оптимизации нейросетей.
Погрузимся в сверточные нейросети и разберем архитектуры LeNet, AlexNet, VGG и ResNet.
Распознавание цифр
Применим теоретические знания на практике. Используем Python и Keras для создания и обучения моделей нейронных сетей для успешного распознавания рукописных цифр - набора MNIST.
Разберем все прикладные особенности работы с нейросетями в Keras:
Используем обучающую выборку из изображений цифр автомобильных номеров для распознавания реального номера автомобиля.
Для кого этот курс:
www.udemy.com/course/ittensive-machine-vision-recognition/
Обучение и оптимизация сверточных нейросетей для распознавания объектов на изображениях
Авторы: Центр digital-профессий ITtensive
Опубликовано: 9/2020
Чему вы научитесь
- Распознавание чисел и букв на фотографиях
- Использование нейронных сетей на реальных данных
- Обработка и коррекция изображений
- Искусственные нейронные сети: слои, веса, обучение
- Модели нейронных сетей Keras/TensorFlow
- Использование LeNet, AlexNet, VGG и ResNet для распознавания цифр
- Оптимизация нейронных сетей
- Функции оптимизации: SGD, RMSprop, (N)adam, Adamax
- Перенос обучения нейронных сетей
- Изменение контраста, гистограммы яркости и резкость
- Курсовой проект: Распознавание номеров автомобилей
Первый курс из серии Машинное зрение посвящен распознаванию изображений с помощью нейронных сетей на Python. Курс состоит из 3 больших частей:
Введение в нейронные сети
Разберем основы нейросетей: нейрон, слои, связи, обратное распространение ошибки и многослойный перцептрон. Изучим особенности обучения и оптимизации нейросетей.
Погрузимся в сверточные нейросети и разберем архитектуры LeNet, AlexNet, VGG и ResNet.
Распознавание цифр
Применим теоретические знания на практике. Используем Python и Keras для создания и обучения моделей нейронных сетей для успешного распознавания рукописных цифр - набора MNIST.
Разберем все прикладные особенности работы с нейросетями в Keras:
- Особенности оцифрованных изображений.
- Создание моделей и слоев.
- Преобразование форм данных (многомерных массивов).
- Генераторы и дополнение изображений.
- Обучающая, тестовая и валидационные выборки.
- Функции оптимизации и пакеты обучения.
- Прикладная оптимизация нейросети.
- Визуализация процесса обучения.
- Пакетная нормализация, регуляризация и отсев.
- Методы инициализации весов.
Используем обучающую выборку из изображений цифр автомобильных номеров для распознавания реального номера автомобиля.
- Загрузка, фильтрация и преобразование изображений.
- Генераторы обучения из директорий.
- Изменение контраста, резкости и маски гистограмм изображений.
- Распознавание одного из 21 класса изображений - цифры и буквы.
- Использование обученной модели на реальных данных.
Для кого этот курс:
- Разработчики систем машинного зрения
- Инженеры по работе с графическими данными
- Научные работники и исследователи данных
www.udemy.com/course/ittensive-machine-vision-recognition/