- مدرس دوره : قائم تقی پور ( رزومه )
- تعداد ویدیوها : 106 ویدیو
- مدت زمان دوره : 18:26:00
- سطح دوره : پیشرفته
- وضعیت دوره : به اتمام رسیده
- تاریخ آخرین بروزرسانی : 1403/07/07

آموزش جامع پردازش تصویر و بینایی ماشین در پایتون
برقراری ارتباط یک ماشین با دنیای بیرون از مباحث چالش برانگیز و مورد توجه دانشمندان در طی سالیان طولانی بوده است. این ارتباط ابتدا از طریق حسگرهای فیزیکی مانند سنسورهای دما و شتاب، و بعدها با استفاده از تصویر و صوت، محقق گردید.
در سال های اخیر، توسعه الگوریتم های پردازش تصویر و بینایی کامپیوتر و ماشین، و ادغام این حوزه با هوش مصنوعی و شبکه های عصبی مصنوعی موجب گردیده است تا این حوزه مورد توجه علاقه مندان قرار گرفته و دستاوردهای بزرگی را موجب شود.
این حوزهی جذاب در موارد متنوعی همچون دوربین های کنترل ترافیکی، نظارتی و امنیتی، سیستم های تشخیص چهره تلفن های همراه، سیستمهای رباتیکی، خودروهای بدون سرنشین، تشخیص های پزشکی، آنالیز تصاویر ماهواره ای و... مورد استفاده قرار میگیرد.
در این دوره، در ابتدا مفاهیم مقدماتی پردازش تصویر و کتابخانه های استاندارد این حوزه مانند OpenCV معرفی شده و به صورت پروژه محور مورد بررسی قرار خواهند گرفت. سپس در ادامه، مطالبی حول محور شبکه های عصبی پیچشی (CNN) و مدل های پردازش تصویر مبتنی بر یادگیری عمیق با استفاده از کتابخانه های PyTorch و Tensorflow ارائه خواهند شد. در بخش های بعدی این دوره نیز به الگوریتم های مختلف پردازش تصویر همچون YOLO و دیگر مدل ها و الگوریتم های این حوزه پرداخته خواهد شد.
جهت کسب اطلاعات بیشتر در رابطه با این دوره، لطفا جلسه ی معرفی دوره را مشاهده نمایید.
سرفصل های دوره
کتابخانه ی OpenCV و مفاهیم مقدماتی پردازش تصویر
آشنایی با یادگیری عمیق، شبکه های عصبی مصنوعی و CNN
پیاده سازی مدل های پیشرفته پردازش تصویر مبتنی بر شبکه های عصبی پیچشی
بینایی ماشین پیشرفته با الگوریتم YOLO
معرفی و حل مثال سایر الگوریتم های بینایی ماشین
پیش نیاز های دوره :
- آشنایی با زبان برنامه نویسی پایتون
فهرستـــ ویدیوها
مدت زمان دوره 18:26:00با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.
فصل اول – آشنایی با مفاهیم پردازش تصویر و کتابخانه OpenCV
فصل اول – آشنایی با مفاهیم پردازش تصویر و کتابخانه OpenCV
فصل سوم – پیاده سازی مدل های پیشرفته بینایی کامپیوتر با استفاده از شبکه CNN
فصل سوم – پیاده سازی مدل های پیشرفته بینایی کامپیوتر با استفاده از شبکه CNN
توضیحاتی در رابطه با پردازنده های CPU و GPU و معرفی محیط Colab
توضیحاتی در رابطه با پردازنده های CPU و GPU و معرفی محیط Colab
پروژه ساخت مدل CNN با استفاده از کتابخانه PyTorch
پروژه ساخت مدل CNN با استفاده از کتابخانه PyTorch
پروژه ساخت مدل شبکه CNN با استفاده از کتابخانه Tensorflow
پروژه ساخت مدل شبکه CNN با استفاده از کتابخانه Tensorflow
آشنایی با Confusion Matrix و Classification Report
آشنایی با Confusion Matrix و Classification Report
محاسبه Confusion Matrix و Classification Report در Keras
محاسبه Confusion Matrix و Classification Report در Keras
پروژه CNN با استفاده از دیتاست شخصی – تشخیص سگ و گربه 1
پروژه CNN با استفاده از دیتاست شخصی – تشخیص سگ و گربه 1
پروژه CNN با استفاده از دیتاست شخصی – تشخیص سگ و گربه 2
پروژه CNN با استفاده از دیتاست شخصی – تشخیص سگ و گربه 2
فصل چهارم - بینایی ماشین پیشرفته با الگوریتم YOLO
فصل چهارم - بینایی ماشین پیشرفته با الگوریتم YOLO
مروری بر تقسیم بندی انواع مسائل در بینایی کامپیوتر
مروری بر تقسیم بندی انواع مسائل در بینایی کامپیوتر
پیاده سازی مثال تشخیص اشیاء به وسیله الگوریتم YOLO
پیاده سازی مثال تشخیص اشیاء به وسیله الگوریتم YOLO
پیاده سازی مثال بخش بندی تصویر به وسیله الگوریتم YOLO
پیاده سازی مثال بخش بندی تصویر به وسیله الگوریتم YOLO
پیاده سازی مثال Classification و Pose Estimation به وسیله YOLO
پیاده سازی مثال Classification و Pose Estimation به وسیله الگوریتم YOLO
پیاده سازی مثال تعقیب اشیاء به وسیله الگوریتم YOLO
پیاده سازی مثال تعقیب اشیاء به وسیله الگوریتم YOLO
لیبل گذاری دیتاست شخصی با استفاده از LabelImg
لیبل گذاری دیتاست شخصی با استفاده از LabelImg
آموزش (Train) مدل YOLO با استفاده از دیتاست شخصی
آموزش مدل الگوریتم YOLO با استفاده از دیتاست شخصی
فصل پنجم - معرفی و حل مثال سایر الگوریتم های بینایی ماشین
فصل پنجم - معرفی و حل مثال سایر الگوریتم های بینایی ماشین
پیاده سازی شبکه عصبی LeNet در کتابخانه Keras
پیاده سازی شبکه عصبی LeNet در کتابخانه Keras
پیاده سازی شبکه عصبی AlexNet در کتابخانه Keras
پیاده سازی شبکه عصبی AlexNet در کتابخانه Keras
نظرات کاربران در رابطه با این دوره
aptinrahmavand15
ارسال شده در 1403/11/04سلام استاد ممنون بابت دوره خوبتون. امید وارم تو راه تو موفق باشید و مثل سایر دوره های خوبتون دوره های عالی رو در آینده ببینیم از شما . فقط خواستم یه سوال بپرسم . برای اینکه خیلی پیشرفته بشیم در مباحث یادگیری عمیق و زیر مجموعه هایش مثل CNNs, RNNs و غیره چه کار هایی انجام بدیم چه دوره های رو خریداری کنیم و از کجا به صورت پیشرفته پای تورچ رو یاد بگیریم برای انجام این کار ها خیلی ممنون .
قائم تقی پور (مدرس)
ارسال شده در 1403/11/04سلام دوست عزیز؛
خوشحالم که این دوره مورد توجهتون قرار گرفته و براتون مفید بوده.
نظر شخصی بنده این هست که بعد از دیدن این دوره و یادگیری مطالب، به جای خرید دوره های بیشتر، برید سراغ پروژه های متنوع و از منابعی مثل گیت هاب و kaggle پروژه های خوب رو پیدا کنید و تحلیل کنید و سعی کنید خودتون اونها رو پیاده کنید.
در رابطه با پایتورچ هم میتونید به طور اختصاصی آموزش های طراحی شبکه عصبی با این ابزار رو در منابع رایگان به صورت خلاصه و کوتاه مشاهده کنید.
موفق و پیروز باشید.
mrshdlwhwmn36
ارسال شده در 1403/10/30سلام استاد بنده طراحی سایت فرانت بلدم و باتوجه به اینکه دیپلم دارو ریاضیات زیاد خوب نیست و فقط پایتون مقدماتی چند سال پیش مطالعه کردم و محدود اطلاعاتی خاطرم است این دوره پیشنهاد می کنید؟
قائم تقی پور (مدرس)
ارسال شده در 1403/10/30سلام دوست عزیز
برای شروع استفاده از این دوره نیازی به دانش ریاضی خاصی ندارید و صرفا آشنایی با زبان پایتون کافیست. مباحث ریاضیاتی معدودی که مورد نیاز شما هست، به زبان ساده در داخل دوره تدریس شده.
amin me
ارسال شده در 1403/04/23سلام وقت بخیر
امکانش هست دوره آموزشی OCR هم بزارید. در مورد معماری و کتاخانه هایی این حوزه
خیلی ممنون
قائم تقی پور (مدرس)
ارسال شده در 1403/04/24سلام دوست عزیز
اگر فرصتی دست داد سراغ این مبحث هم خواهیم رفت.
موفق باشید.