fbpx

深度學習電腦視覺 CNN,OpenCV,YOLO,SSD 和 GANs

課程簡介

使用 Python & Keras 做25個專案-臉部識別,情緒,年齡,性別,物件偵測,臉部老化及更多

課程介紹:English 简中

從這 14 小時的課程,你會學到

  • 通過完成 26 個進階的電腦視覺專案,包括情感,年齡和性別分類,倫敦地下標誌檢測,猴子品種,鮮花,水果,辛普森人物,還有更多
  • 學習進階的深度學習電腦視覺技術,如遷移學習( Transfer Learning )和使用預先訓練的模型(VGG,MobileNet,InceptionV3,ResNet50)在 ImageNet 和重新建立流行的 CNNs,例如 AlexNet,LeNet,VGG 和 U-Net
  • 理解神經網路,卷積神經網路,R-CNNs,SSDs,YOLO & GANs 如何運作與我容易追循的解釋
  • 熟悉其它框架(PyTorch、 Caffe、 MXNET、 CV api)和雲端 GPU,並對電腦視覺世界有一個概述
  • 學習如何使用 Python 程式庫 Keras 建立複雜的深度學習網路(使用 Tensorflow 後端)
  • 學習如何對臉部年齡做神經風格遷移( Neural Style Transfer ),DeepDream 和使用 GANs ,可到 60 歲以上
  • 學習如何建立,標註,註釋,訓練您自己的影像資料集,完美的專案適合大學和新創公司
  • 附有近4小時的視訊免費選修課程學習如何使用 OpenCV
  • 學習如何使用 CNNs 例如 U-Net 來執行影像切割,這在醫學成像應用中是非常有用的
  • 學習如何使用 TensorFlow 的物件檢測 API 和在 YOLO 中建立客製化的物件偵測器
  • 使用 VGGFace 學習臉部辨識

要求

  • 基本的程式設計知識是優先考慮的,但不是必要條件
  • 高中水平的數學,大學水平將是更好的
  • 至少 20GB 硬碟空間的虛擬機器可存放資料集
  • 安裝有 Windows、 MacOS 或 Linux 作業系統的電腦

課程說明

深度學習電腦視覺使用 Python & Keras 實現 CNNs,YOLO,TFOD,R-CNNs,SSDs & GANs 加上免費的 OpenCV3介紹。

如果你想學習2019年應用深度學習到電腦視覺的所有最新概念,不要再往下看了——這就是你的課程! 你會學到以下的 Python 深度學習框架:

  • Keras
  • Tensorflow
  • TensorFlow Object Detection API
  • YOLO (DarkNet and DarkFlow)
  • OpenCV

所有的程式庫都預先安裝在一個易於使用的虛擬機器!

======================================================

  • 新增臉部辨識和信用卡號碼閱讀器專案
  • 使用網路攝影機辨識多個人
  • Friends 電視劇人物的臉部辨識
  • 拍一張信用卡的照片,提取並辨識信用卡上的號碼!

======================================================

涉及深度學習的電腦視覺應用正在蓬勃發展!

擁有能夠”看見”的機器將會改變我們的世界,幾乎所有的行業都會發生革命性的變化。 能看見的機器或機器人將能夠:

  • 進行手術,通過醫學掃描準確地分析和診斷你。
  • 啟用自動駕駛汽車
  • 從根本上改變了機器人,使我們能夠製造能夠烹飪、清潔和幫助我們完成幾乎任何任務的機器人
  • 理解在閉路電視監控錄影中看到的內容,從而執行安全、交通管理和其它一系列服務
  • 創造藝術與驚人的神經風格遷移( Neural Style Transfers )和其它創新型別的影象生成
  • 模擬許多任務,如老化的臉,修改 Live 視訊和真實地在電影中取代演員

像 Facebook、谷歌、微軟、蘋果、亞馬遜和特斯拉這樣的大型科技公司都在電腦視覺研究上投入了數十億美元。

因此,對電腦視覺專業知識的需求呈指數增長!

然而,用深度學習學習實現電腦視覺是困難的!

  • 教學指南太技術化和理論化了
  • 程式碼已經過時
  • 初學者不知道從哪裡開始

這就是我製作這門課的原因!

  • 我花了幾個月的時間來開發一個適當而完整的學習路徑。
  • 我教所有的關鍵概念邏輯和不會讓你負擔過重的數學理論,同時使用最新的方法。
  • 我建立了一個免費的虛擬機器與所有深度學習程式庫(Keras,TensorFlow,OpenCV,TFODI,YOLO,Darkflow 等)預安裝! 這將節省你痛苦的幾個小時的複雜的安裝
  • 我用實際的範例來教你,你可以通過做18個專案來學習!

專案包括:

  • 基於 MNIST 的手寫數字分類
  • 基於 CIFAR10 的影像分類
  • 狗和貓的分類器
  • 使用 Flowers-17的花卉分類器
  • 基於 FNIST 的時尚分類器
  • 猴子品種分類器
  • 水果分類器
  • 辛普森家庭角色分類器
  • 使用預先訓練的 ImageNet 模型來分類 1000 個物件類別
  • 年齡、性別與情緒分類
  • 利用 U-Net 技術在醫學掃描中尋找細胞核
  • 使用 TensorFlow 物件偵測和使用一個 ResNet50 SSD 模型做物件偵測
  • 使用 YOLO V3 的物件偵測
  • 探測倫敦地鐵標誌的客製化 YOLO 物件偵測器
  • DeepDream
  • 神經風格遷移
  • GANs-生成虛假數字
  • GANs – 使用 Age-cGAN 做臉部年齡變換,可到 60 歲以上
  • 人臉辨識
  • 信用卡數字閱讀器

以及 OpenCV 專案,例如:

  • 現場素描
  • 識別形狀
  • 計數圓和橢圓
  • 尋找 Waldo
  • 使用 OpenCV 的單一物件偵測器
  • 基於級聯分類器( Cascade Classifiers ) 的車輛和行人偵測器

因此,如果你想在電腦視覺方面有一個良好的基礎,就不要再看了。

這就是你的課程!

在本課程中,您將發現電腦視覺在 Python 中的威力,並獲得技能,以戲劇性地增加您作為電腦視覺開發人員的職業前景。

======================================================

更新和支援:

我每天都會積極參與課程的”問答”部分,所以你永遠不會獨自一人。

那麼,你準備好開始了嗎? 現在就註冊並開始使用深度學習成為電腦視覺專家的課程吧!

======================================================

以前的學生是怎麼說我的另一門課的:

“我對這種可能性感到驚訝。 非常有教育意義,學到了比我想象中更多的東西。 現在,能夠在實際中使用它是很有趣的… … 更多的是學習和應用。”

“電腦視覺課程教學非常好,內容豐富! 我在網上尋找 OpenCv python 教學資源,但這門課程是迄今為止相關課程和專案最好的融合。 我喜歡其中的一些專案,並從修補它們中獲得了許多樂趣。”

“很棒的講師和課程。 這些解釋很容易理解,材料也很容易理解。 這絕對是一個非常好的影像處理入門。”

“這門課給我留下了深刻的印象! 我認為這是目前為止 Udemy 上最好的電腦視覺課程。 我是一名大學生,之前在本科時上過電腦視覺課程。 這個6.5小時的課程比我的大學課程要好上很多!”

“Rajeev 在這門課上做得很好。 我不知道電腦視覺是如何運作的,現在已經有了很好的概念基礎和實際應用的知識。 Rajeev 教學清晰而簡潔,有助於讓任何想要開始建立應用程式的人易於理解複雜的主題。”

======================================================

目標受眾

  • 程式設計師、大學生或任何熱衷於電腦視覺和深度學習的人
  • 那些希望走在人工智慧革命就業市場尖端的人
  • 那些擁有令人驚歎的創業點子或者與電腦視覺有關的應用程式點子的人
  • 熱情的業餘愛好者希望建立有趣的電腦視覺應用程式

講師簡介

Rajeev Ratan 電腦視覺專家,資料科學家和電子工程師( 更多講師主講課程介紹 )

大家好,我是 Rajeev,我喜歡資料科學和電腦視覺。

我在愛丁堡大學獲得了電腦與電子工程學士學位和人工智慧碩士學位,在那裡我獲得了廣泛的知識,機器學習,電腦視覺和智慧機器人學。

我已經發表了關於使用資料驅動的方法進行機率隨機建模的研究,甚至還參加了一個在愛丁堡大學機器人競賽中獲勝的小組。

我嘗試過以深度學習為基礎的電腦視覺創業。 我已經為兩個電腦視覺領域的創業公司做出了貢獻。

之前,我曾在加勒比地區兩家最大的電信運營商工作,在那裡,我獲得了管理技術人員和部署複雜電信專案的經驗。

英文字幕:有

  • 想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

優惠資訊

如何購買這門課程比較划算?可以參考課程合購優惠方案


報名參加課程

Sponsored by Udemy

也許你會有興趣

 歡迎使用 e-mail 訂閱 Soft & Share 

發表迴響

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: