کتاب صوتی یادگیری عمیق در بینایی ماشین با PyTorch و OpenCV

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق در بینایی ماشین با PyTorch و OpenCV

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی ماشین و یادگیری عمیق
• 2. تنظیم محیط توسعه با PyTorch و OpenCV
• 3. کار با تنسورها در PyTorch
• 4. عملیات پایه تصویر با OpenCV
• 5. تبدیل فضاهای رنگی در OpenCV
• 6. فیلترهای مکانی و پیچیدگی تصویر
• 7. تشخیص لبه با عملگرهای گرادیان
• 8. تغییر مقیاس و چرخش تصاویر
• 9. استخراج ویژگی‌های تصویر با OpenCV
• 10. شبکه‌های عصبی تمام متصل برای تصاویر
• 11. تابع هزینه و بهینه‌سازی در PyTorch
• 12. پیاده‌سازی یک پرسپترون چندلایه
• 13. مفاهیم پایه شبکه‌های عصبی کانولوشنی
• 14. لایه‌های کانولوشن و تجمیع
• 15. معماری LeNet برای تشخیص ارقام
• 16. آموزش یک شبکه CNN ساده با PyTorch
• 17. افزایش داده و تکنیک‌های Regularization
• 18. استفاده از DataLoader و Dataset
• 19. انتقال یادگیری با مدل‌های پیش‌آموزش‌دیده
• 20. معماری AlexNet و VGG
• 21. شبکه‌های ResNet و اتصال پرشی
• 22. معماری Inception و ماژول‌های موازی
• 23. شبکه‌های از پیش آموزش‌دیده Torchvision
• 24. تشخیص اشیا با رویکرد R-CNN
• 25. پیاده‌سازی Fast R-CNN
• 26. معماری YOLO برای تشخیص بلادرنگ
• 27. آموزش YOLO بر روی دیتاست سفارشی
• 28. تشخیص اشیا با SSD
• 29. معماری شبکه‌های U-Net برای قطعه‌بندی معنایی
• 30. قطعه‌بندی تصاویر پزشکی با PyTorch
• 31. قطعه‌بندی نمونه با Mask R-CNN
• 32. ردیابی اشیا در ویدئو با OpenCV
• 33. ردیابی مبتنی بر ویژگی و هیستوگرام
• 34. ردیابی با فیلتر کالمن
• 35. ردیابی با شبکه‌های Siamese
• 36. تشخیص چهره با OpenCV و Haar Cascades
• 37. تشخیص چهره با شبکه‌های MTCNN
• 38. استخراج نقاط کلیدی چهره
• 39. تشخیص و تطبیق ویژگی‌های SIFT و ORB
• 40. بازیابی تصویر بر اساس محتوا
• 41. شبکه‌های مولد تخاصمی برای تولید تصویر
• 42. پیاده‌سازی DCGAN
• 43. تولید تصاویر با StyleGAN
• 44. رمزگذار خودکار متغیر برای تصاویر
• 45. تبدیل سبک تصویر با شبکه‌های عصبی
• 46. تولید تصاویر با وضوح بالا (Super-Resolution)
• 47. شبکه‌های باقی‌مانده عمیق برای Super-Resolution
• 48. تشخیص ناهنجاری در تصاویر صنعتی
• 49. طبقه‌بندی تصاویر با EfficientNet
• 50. بهینه‌سازی هایپرپارامترها با Optuna
• 51. ذخیره و بارگذاری مدل در PyTorch
• 52. ارزیابی مدل با معیارهای دقت و بازیابی
• 53. مدیریت عدم توازن کلاس در دیتاست
• 54. تکنیک‌های پیش‌پردازش تصویر پیشرفته
• 55. فیلترهای فرکانسی و تبدیل فوریه
• 56. افزایش داده با Albumentations
• 57. شبکه‌های عصبی بازگشتی برای توالی تصاویر
• 58. استفاده از GPU و آموزش موازی
• 59. اشکال‌زدایی و مانیتورینگ آموزش با TensorBoard
• 60. تست مدل بر روی تصاویر جدید
• 61. استقرار مدل با ONNX و TorchScript
• 62. بهینه‌سازی مدل برای موبایل با TorchMobile
• 63. مقدمه‌ای بر یادگیری عمیق در ویدئو
• 64. استخراج فریم و پردازش ویدئو با OpenCV
• 65. تشخیص حرکت در ویدئو
• 66. شبکه‌های 3D CNN برای تحلیل ویدئو
• 67. تشخیص فعالیت در ویدئو با PyTorch
• 68. پایپلاین کامل یک پروژه بینایی ماشین