دوره جامع کشف اشیاء با شبکه‌های کانولوشنی دو مرحله‌ای (از R-CNN تا Mask R-CNN) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع کشف اشیاء با شبکه‌های کانولوشنی دو مرحله‌ای (از R-CNN تا Mask R-CNN)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بینایی ماشین و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مفاهیم پایه و معماری شبکه‌های عصبی کانولوشنی (CNN)
• 2. مفهوم کشف اشیاء (Object Detection) و تفاوت آن با طبقه‌بندی تصویر
• 3. بررسی معیارها و متریک‌های ارزیابی IoU و mAP
• 4. چالش‌های تنظیم کادرهای احاطه‌کننده (Bounding Box Regression)
• 5. الگوریتم‌های پیشنهاد ناحیه سنتی مانند Selective Search
• 6. معماری پایه شبکه R-CNN و نحوه کارکرد آن
• 7. فرآیند استخراج ویژگی و آموزش طبقه بند در R-CNN
• 8. محدودیت‌ها و گلوگاه‌های محاسباتی شبکه R-CNN
• 9. معماری Fast R-CNN و ایده اشتراک‌گذاری نقشه‌های ویژگی
• 10. مکانیزم RoI Pooling و نقش آن در یکپارچه‌سازی شبکه
• 11. طراحی تابع زیان چندوظیفه‌ای (Multi-task Loss) در Fast R-CNN
• 12. مقایسه سرعت و دقت Fast R-CNN با نسل قبلی
• 13. معماری Faster R-CNN و معرفی شبکه پیشنهاد ناحیه (RPN)
• 14. نحوه کارکرد لایه Sliding Window و لنگرها (Anchors) در RPN
• 15. مقیاس‌پذیری و نسبت‌های ابعاد مختلف در لنگرهای RPN
• 16. نحوه نمونه‌گیری از کادرهای مثبت و منفی در آموزش RPN
• 17. فرآیند حذف همپوشانی‌های اضافی با Non-Maximum Suppression (NMS)
• 18. مکانیزم آموزش همزمان (Joint Training) در Faster R-CNN
• 19. معماری شبکه استخراج ویژگی ResNet و استفاده از آن در کشف اشیاء
• 20. معماری Feature Pyramid Networks (FPN) و حل مشکل مقیاس‌های مختلف
• 21. تلفیق FPN با Faster R-CNN برای شناسایی اشیاء کوچک
• 22. معماری Mask R-CNN و تعمیم کشف اشیاء به تفکیک پیکسل (Instance Segmentation)
• 23. معرفی مکانیزم RoIAlign و حل مشکل عدم تراز پیکسل‌ها در RoI Pooling
• 24. طراحی شاخه پیش‌بینی ماسک (Mask Branch) در Mask R-CNN
• 25. معماری Cascade R-CNN و بهبود آستانه‌های IoU در چند مرحله
• 26. نحوه کارکرد لایه‌های کانولوشن قابل تغییر شکل (Deformable Convolutional Networks)
• 27. مفهوم RoI Warping و مقایسه آن با RoI Pooling
• 28. استفاده از روش‌های پیش‌پردازش و افزایش داده (Data Augmentation) برای کشف اشیاء
• 29. الگوهای معماری آماده در بینایی ماشین مانند ResNeXt و DenseNet برای Feature Extraction
• 30. تکنیک‌های تنظیم هایپرپارامترها و بهبود همگرایی در مدل‌های دو مرحله‌ای
• 31. روش‌های بهینه‌سازی سرعت استنتاج (Inference) در مدل‌های دو مرحله‌ای
• 32. بررسی خطاهای رایج در کشف اشیاء و نحوه تحلیل آن‌ها (Error Analysis)
• 33. آماده‌سازی دادگان اختصاصی و فرمت‌بندی داده‌ها (COCO و Pascal VOC)
• 34. برچسب‌گذاری تصاویر و ابزارهای استاندارد آن برای مدل‌های دو مرحله‌ای
• 35. پیاده‌سازی شبکه RPN از صفر با PyTorch
• 36. پیاده‌سازی لایه RoI Pooling و RoIAlign
• 37. آموزش کامل شبکه Faster R-CNN روی دادگان سفارشی
• 38. ارزیابی مدل آموزش دیده روی دادگان تست و استخراج گزارش mAP
• 39. روش‌های Fine-tuning مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 40. کاهش حجم مدل‌های دو مرحله‌ای با روش‌های Pruning و Quantization
• 41. استفاده از کتابخانه Detectron2 برای پیاده‌سازی سریع مدل‌های دو مرحله‌ای
• 42. پیاده‌سازی کشف اشیاء دو مرحله‌ای با MMDetection
• 43. آماده‌سازی مدل‌های دو مرحله‌ای برای استقرار (Deployment) و فرمت ONNX
• 44. تست و اجرای مدل‌های دو مرحله‌ای روی پردازنده‌های گرافیکی (GPU)
• 45. تنظیم پارامترهای NMS برای سناریوهای شلوغ و همپوشانی بالای اشیاء
• 46. روش‌های مقابله با داده‌های نامتوازن (Class Imbalance) در کشف اشیاء
• 47. به‌کارگیری کشف اشیاء دو مرحله‌ای در تصاویر پزشکی
• 48. به‌کارگیری کشف اشیاء دو مرحله‌ای در خودروهای خودران و پهپادها
• 49. جمع‌بندی، مقایسه نهایی مدل‌های تک مرحله‌ای و دو مرحله‌ای و انتخاب مدل مناسب پروژه