Машинное зрение: распознавание объектов на Python
Обучение и оптимизация сверточных нейросетей для распознавания объектов на изображениях
Авторы: Центр digital-профессий ITtensive
Опубликовано: 9/2020
Чему вы научитесь
Распознавание чисел и букв на фотографиях
Использование нейронных сетей на реальных данных
Обработка и коррекция изображений
Искусственные нейронные сети: слои, веса, обучение
Модели нейронных сетей Keras/TensorFlow
Использование LeNet, AlexNet, VGG и ResNet для распознавания цифр
Оптимизация нейронных сетей
Функции оптимизации: SGD, RMSprop, (N)adam, Adamax
Перенос обучения нейронных сетей
Изменение контраста, гистограммы яркости и резкость
Курсовой проект: Распознавание номеров автомобилей
Описание
Первый курс из серии Машинное зрение посвящен распознаванию изображений с помощью нейронных сетей на Python. Курс состоит из 3 больших частей:
Введение в нейронные сети
Разберем основы нейросетей: нейрон, слои, связи, обратное распространение ошибки и многослойный перцептрон. Изучим особенности обучения и оптимизации нейросетей.
Погрузимся в сверточные нейросети и разберем архитектуры LeNet, AlexNet, VGG и ResNet.
Распознавание цифр
Применим теоретические знания на практике. Используем Python и Keras для создания и обучения моделей нейронных сетей для успешного распознавания рукописных цифр - набора MNIST.
Разберем все прикладные особенности работы с нейросетями в Keras:
Особенности оцифрованных изображений.
Создание моделей и слоев.
Преобразование форм данных (многомерных массивов).
Генераторы и дополнение изображений.
Обучающая, тестовая и валидационные выборки.
Функции оптимизации и пакеты обучения.
Прикладная оптимизация нейросети.
Визуализация процесса обучения.
Пакетная нормализация, регуляризация и отсев.
Методы инициализации весов.
Распознавание автомобильных номеров
Используем обучающую выборку из изображений цифр автомобильных номеров для распознавания реального номера автомобиля.
Загрузка, фильтрация и преобразование изображений.
Генераторы обучения из директорий.
Изменение контраста, резкости и маски гистограмм изображений.
Распознавание одного из 21 класса изображений - цифры и буквы.
Использование обученной модели на реальных данных.
Курсовым проектом будет ваша собственная обученная нейросеть, распознающая номера автомобилей по фотографии.
Для кого этот курс:
Разработчики систем машинного зрения
Инженеры по работе с графическими данными
Научные работники и исследователи данных
Обучение и оптимизация сверточных нейросетей для распознавания объектов на изображениях
Авторы: Центр digital-профессий ITtensive
Опубликовано: 9/2020
Чему вы научитесь
Распознавание чисел и букв на фотографиях
Использование нейронных сетей на реальных данных
Обработка и коррекция изображений
Искусственные нейронные сети: слои, веса, обучение
Модели нейронных сетей Keras/TensorFlow
Использование LeNet, AlexNet, VGG и ResNet для распознавания цифр
Оптимизация нейронных сетей
Функции оптимизации: SGD, RMSprop, (N)adam, Adamax
Перенос обучения нейронных сетей
Изменение контраста, гистограммы яркости и резкость
Курсовой проект: Распознавание номеров автомобилей
Описание
Первый курс из серии Машинное зрение посвящен распознаванию изображений с помощью нейронных сетей на Python. Курс состоит из 3 больших частей:
Введение в нейронные сети
Разберем основы нейросетей: нейрон, слои, связи, обратное распространение ошибки и многослойный перцептрон. Изучим особенности обучения и оптимизации нейросетей.
Погрузимся в сверточные нейросети и разберем архитектуры LeNet, AlexNet, VGG и ResNet.
Распознавание цифр
Применим теоретические знания на практике. Используем Python и Keras для создания и обучения моделей нейронных сетей для успешного распознавания рукописных цифр - набора MNIST.
Разберем все прикладные особенности работы с нейросетями в Keras:
Особенности оцифрованных изображений.
Создание моделей и слоев.
Преобразование форм данных (многомерных массивов).
Генераторы и дополнение изображений.
Обучающая, тестовая и валидационные выборки.
Функции оптимизации и пакеты обучения.
Прикладная оптимизация нейросети.
Визуализация процесса обучения.
Пакетная нормализация, регуляризация и отсев.
Методы инициализации весов.
Распознавание автомобильных номеров
Используем обучающую выборку из изображений цифр автомобильных номеров для распознавания реального номера автомобиля.
Загрузка, фильтрация и преобразование изображений.
Генераторы обучения из директорий.
Изменение контраста, резкости и маски гистограмм изображений.
Распознавание одного из 21 класса изображений - цифры и буквы.
Использование обученной модели на реальных данных.
Курсовым проектом будет ваша собственная обученная нейросеть, распознающая номера автомобилей по фотографии.
Для кого этот курс:
Разработчики систем машинного зрения
Инженеры по работе с графическими данными
Научные работники и исследователи данных
