دوره تشخیص اشیاء (Object Detection) با CNN همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص اشیاء (Object Detection) با CNN

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. مقدمه‌ای بر تشخیص اشیاء
• 3. کاربردها و اهمیت تشخیص اشیاء
• 4. نیاز به یادگیری عمیق در تشخیص اشیاء
• 5. آشنایی با شبکه‌های عصبی کانولوشنال (CNN)
• 6. مبانی شبکه‌های عصبی
• 7. سلول‌های عصبی مصنوعی (Perceptrons)
• 8. توابع فعال‌سازی (Activation Functions)
• 9. لایه‌های کانولوشن (Convolutional Layers)
• 10. فیلترها و کرنل‌ها (Filters and Kernels)
• 11. عملکرد لایه کانولوشن
• 12. لایه‌های Pooling (Subsampling Layers)
• 13. انواع لایه‌های Pooling
• 14. عملکرد لایه‌های Pooling
• 15. لایه‌های Fully Connected (Dense Layers)
• 16. آموزش شبکه‌های عصبی
• 17. تابع هزینه (Loss Function)
• 18. بهینه‌سازها (Optimizers)
• 19. گرادیان کاهشی (Gradient Descent)
• 20. پس‌انتشار (Backpropagation)
• 21. مجموعه داده‌ها در یادگیری عمیق
• 22. فرمت داده‌ها (Images)
• 23. پیش‌پردازش داده‌ها (Data Preprocessing)
• 24. تقسیم داده‌ها (Data Splitting)
• 25. افزایش داده‌ها (Data Augmentation)
• 26. معماری‌های اولیه CNN
• 27. LeNet-5
• 28. AlexNet
• 29. VGGNet
• 30. GoogLeNet (Inception)
• 31. ResNet
• 32. مفاهیم اساسی در تشخیص اشیاء
• 33. جعبه احاطه‌کننده (Bounding Box)
• 34. برچسب‌گذاری (Labeling)
• 35. دقت (Precision)
• 36. بازیابی (Recall)
• 37. امتیاز F1 (F1-Score)
• 38. متریک‌های ارزیابی در تشخیص اشیاء
• 39. میانگین دقت میانگین (mAP - mean Average Precision)
• 40. IoU (Intersection over Union)
• 41. تکنیک‌های پایه تشخیص اشیاء
• 42. روش‌های مبتنی بر جستجو (Sliding Window)
• 43. نقاط کلیدی (Keypoints)
• 44. ویژگی‌های محلی (Local Features)
• 45. معرفی روش‌های تشخیص اشیاء مبتنی بر یادگیری عمیق
• 46. نیاز به رویکردهای جدید
• 47. طبقه‌بندی روش‌های تشخیص اشیاء
• 48. روش‌های دو مرحله‌ای (Two-Stage Detectors)
• 49. روش‌های تک مرحله‌ای (One-Stage Detectors)
• 50. معماری‌های دو مرحله‌ای
• 51. Region Proposal Networks (RPN)
• 52. Faster R-CNN
• 53. Mask R-CNN
• 54. مزایا و معایب روش‌های دو مرحله‌ای
• 55. معماری‌های تک مرحله‌ای
• 56. YOLO (You Only Look Once) - نسخه‌های اولیه
• 57. SSD (Single Shot MultiBox Detector)
• 58. RetinaNet
• 59. مزایا و معایب روش‌های تک مرحله‌ای
• 60. جزئیات معماری YOLO (نسخه اول)
• 61. تقسیم تصویر به گرید (Grid)
• 62. پیش‌بینی جعبه احاطه‌کننده و احتمال کلاس
• 63. شبکه YOLOv2 (YOLO9000)
• 64. افزایش دقت و سرعت
• 65. Batch Normalization
• 66. Anchor Boxes
• 67. شبکه YOLOv3
• 68. بهبود در شبکه‌سازی و دقت
• 69. Multi-scale prediction
• 70. Deeper backbone
• 71. شبکه YOLOv4
• 72. ترکیب بهینه‌سازها و افزونه‌های جدید
• 73. Bag of Freebies (BoF)
• 74. Bag of Specials (BoS)
• 75. شبکه YOLOv5
• 76. تغییرات در معماری و پیاده‌سازی
• 77. استفاده از PyTorch
• 78. سایر معماری‌های YOLO (YOLOv6, YOLOv7, ...)
• 79. معرفی SSD
• 80. پیش‌بینی جعبه احاطه‌کننده در لایه‌های مختلف
• 81. Anchor boxes در SSD
• 82. مزایا و معایب SSD
• 83. معرفی RetinaNet
• 84. مشکل عدم توازن کلاس‌ها (Class Imbalance)
• 85. Focal Loss
• 86. پیاده‌سازی Focal Loss
• 87. مزایا و معایب RetinaNet
• 88. شناسایی اشیاء با دقت بالا
• 89. Objectness Score
• 90. Non-Maximum Suppression (NMS)
• 91. کاربرد NMS در حذف جعبه‌های اضافی
• 92. تنظیم پارامترهای NMS
• 93. آموزش مدل‌های تشخیص اشیاء
• 94. انتخاب معماری مناسب
• 95. تنظیم هایپرپارامترها (Hyperparameters)
• 96. نرخ یادگیری (Learning Rate)
• 97. اندازه بچ (Batch Size)
• 98. تنظیمات بهینه‌ساز
• 99. استفاده از روش‌های Regularization
• 100. Dropout