کتاب صوتی بهینه‌سازی مدل‌های بینایی کامپیوتر برای استقرار (Deployment)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های بینایی کامپیوتر برای استقرار (Deployment)

موضوع کلی: برنامه نویسی

موضوع میانی: بینایی کامپیوتر (Computer Vision)

📋 سرفصل‌های دوره

• 1. مقدمه به دوره و اهداف آن: چرا بهینه‌سازی و استقرار مدل‌ها مهم است؟
• 2. مبانی بینایی کامپیوتر: تعاریف، تاریخچه و کاربردها
• 3. مروری بر پایتون و کتابخانه‌های ضروری (NumPy, Matplotlib, Pillow)
• 4. آشنایی با OpenCV: نصب، پیکربندی و عملیات پایه تصویر
• 5. خواندن، نمایش و ذخیره تصاویر و ویدئوها
• 6. تغییر اندازه، چرخش و برش تصاویر
• 7. فضاهای رنگی (RGB, Grayscale, HSV) و تبدیل بین آنها
• 8. فیلترهای تصویر: هموارسازی، گوسی و میانه
• 9. فیلترهای شارپ‌سازی و تشخیص لبه (Sobel, Canny)
• 10. هیستوگرام تصاویر و کاربردهای آن
• 11. مفاهیم اولیه یادگیری ماشین برای بینایی کامپیوتر
• 12. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANNs)
• 13. لایه‌های پایه CNN: کانولوشن، پولینگ و فعال‌سازی
• 14. معماری‌های اولیه CNN: LeNet و AlexNet
• 15. آموزش شبکه‌های عصبی: تابع زیان، بهینه‌سازها و پس‌انتشار
• 16. تنظیم فراپارامترها و جلوگیری از بیش‌برازش (Overfitting)
• 17. افزایش داده (Data Augmentation) برای آموزش مدل‌ها
• 18. معماری VGG و مفهوم عمق شبکه
• 19. ResNet: حل مشکل گرادیان ناپدید شونده با اتصالات پرش
• 20. Inception Networks و استفاده از کانولوشن‌های موازی
• 21. معرفی DenseNet و مفهوم اتصال متراکم
• 22. مدل‌های EfficientNet و مقیاس‌پذیری کارآمد
• 23. مقدمه به تشخیص اشیاء (Object Detection)
• 24. روش‌های دو مرحله‌ای: R-CNN, Fast R-CNN
• 25. Faster R-CNN و مفهوم Region Proposal Network (RPN)
• 26. روش‌های تک مرحله‌ای: YOLO (You Only Look Once)
• 27. بررسی معماری و اصول کار YOLOv1 تا YOLOv3
• 28. YOLOv4, YOLOv5 و پیشرفت‌های اخیر در خانواده YOLO
• 29. Single Shot Detector (SSD) و Anchor Boxes
• 30. مقدمه به سگمنتیشن (Segmentation): معنایی و نمونه‌ای
• 31. معماری U-Net برای سگمنتیشن تصویر
• 32. Mask R-CNN برای تشخیص و سگمنتیشن نمونه‌ای
• 33. ترنسفورمرها در بینایی کامپیوتر (Vision Transformers - ViT)
• 34. چالش‌های استقرار مدل‌های بینایی کامپیوتر در دنیای واقعی
• 35. اهمیت بهینه‌سازی: تأخیر، توان عملیاتی، مصرف حافظه و انرژی
• 36. سناریوهای استقرار: دستگاه‌های لبه (Edge), موبایل، وب و ابری
• 37. معیارهای کلیدی عملکرد برای مدل‌های مستقر شده (FPS, Latency, Throughput)
• 38. سخت‌افزارهای هدف: CPU, GPU, NPU, DSP و شتاب‌دهنده‌های سخت‌افزاری
• 39. مقدمه به فشرده‌سازی مدل (Model Compression)
• 40. کوانتیزاسیون (Quantization): کاهش دقت اعداد
• 41. کوانتیزاسیون پس از آموزش (Post-Training Quantization - PTQ)
• 42. کوانتیزاسیون آگاه از آموزش (Quantization-Aware Training - QAT)
• 43. کوانتیزاسیون به فرمت‌های INT8 و FP16
• 44. تأثیر کوانتیزاسیون بر دقت و سرعت مدل
• 45. هرس (Pruning) مدل‌ها: حذف اتصالات و نورون‌های اضافی
• 46. هرس ساختاریافته و ساختارنیافته
• 47. هرس مبتنی بر بزرگی (Magnitude-based Pruning)
• 48. فرضیه بلیت لاتاری (Lottery Ticket Hypothesis)
• 49. تقطیر دانش (Knowledge Distillation): آموزش مدل کوچک‌تر از مدل بزرگ‌تر
• 50. طراحی معماری‌های کارآمد: MobileNet, ShuffleNet
• 51. GhostNet و شبکه‌های عصبی سبک‌وزن
• 52. SqueezeNet و کانولوشن‌های ۱x۱ برای فشرده‌سازی
• 53. معرفی ONNX (Open Neural Network Exchange)
• 54. تبدیل مدل‌های PyTorch/TensorFlow به فرمت ONNX
• 55. اجرای مدل‌های ONNX با ONNX Runtime
• 56. بهینه‌سازی با ONNX Runtime و استفاده از Providerها
• 57. مقدمه به TensorFlow Lite (TFLite) برای دستگاه‌های لبه و موبایل
• 58. تبدیل مدل‌های TensorFlow به TFLite
• 59. اعمال کوانتیزاسیون در TFLite
• 60. اجرای مدل‌های TFLite در اندروید و iOS
• 61. استفاده از TFLite Delegates برای شتاب‌دهنده‌های سخت‌افزاری
• 62. PyTorch Mobile و TorchScript
• 63. تبدیل مدل‌های PyTorch به TorchScript و بهینه‌سازی
• 64. استقرار مدل‌های PyTorch در دستگاه‌های موبایل
• 65. مقدمه به OpenVINO برای سخت‌افزارهای اینتل
• 66. Model Optimizer در OpenVINO: تبدیل و بهینه‌سازی مدل‌ها
• 67. Inference Engine در OpenVINO: اجرای مدل‌های بهینه شده
• 68. TensorRT: بهینه‌سازی برای GPUهای NVIDIA
• 69. ساخت انجین‌های TensorRT برای حداکثر عملکرد
• 70. کوانتیزاسیون INT8 با TensorRT
• 71. Core ML: چارچوب یادگیری ماشین اپل
• 72. تبدیل مدل‌ها به فرمت Core ML برای دستگاه‌های iOS و macOS
• 73. Neural Network API (NNAPI) در اندروید
• 74. Apache TVM: کامپایلر یادگیری ماشین برای انواع سخت‌افزار
• 75. استقرار مدل‌ها در محیط کانتینری با Docker
• 76. ساخت Dockerfile برای مدل‌های بینایی کامپیوتر
• 77. مدیریت و مقیاس‌پذیری کانتینرها با Docker Compose
• 78. استقرار مدل‌ها در سرویس‌های ابری: AWS SageMaker
• 79. استقرار مدل‌ها در سرویس‌های ابری: Google AI Platform
• 80. استقرار مدل‌ها در سرویس‌های ابری: Azure Machine Learning
• 81. استقرار در دستگاه‌های لبه: NVIDIA Jetson
• 82. استقرار مدل‌ها روی Raspberry Pi و سایر بردهای تک‌بورد
• 83. برنامه‌نویسی برای استقرار مدل‌های CV در پلتفرم‌های موبایل
• 84. ساخت APIهای RESTful برای مدل‌ها با Flask/FastAPI
• 85. ساخت رابط کاربری ساده با Streamlit
• 86. مانیتورینگ عملکرد و پایداری مدل‌های مستقر شده
• 87. MLOps برای بینایی کامپیوتر: از توسعه تا تولید
• 88. خطوط لوله CI/CD (Continuous Integration/Continuous Deployment) برای مدل‌های ML
• 89. نسخه‌بندی مدل‌ها و مدیریت چرخه عمر آنها
• 90. بهینه‌سازی مصرف انرژی در دستگاه‌های لبه (Low Power Optimization)
• 91. طراحی مدل آگاه از سخت‌افزار (Hardware-Aware Model Design)
• 92. بهینه‌سازی لایه‌های سفارشی (Custom Layers) و عملیات خاص
• 93. پردازش دسته‌ای (Batching) و استنتاج ناهمگام (Asynchronous Inference)
• 94. امنیت مدل‌های ML در زمان استقرار
• 95. مقاومت (Robustness) مدل در برابر حملات متخاصم (Adversarial Attacks)
• 96. اخلاق و تعصب (Bias) در مدل‌های بینایی کامپیوتر و ملاحظات آن
• 97. مطالعه موردی: بهینه‌سازی و استقرار مدل تشخیص چهره
• 98. مطالعه موردی: استقرار سیستم بینایی کامپیوتر در وسایل نقلیه خودران
• 99. مطالعه موردی: بهینه‌سازی مدل برای کاربردهای صنعتی و تولیدی
• 100. خلاصه دوره و چشم‌انداز آینده بهینه‌سازی و استقرار در بینایی کامپیوتر