آموزش یادگیری عمیق برای تشخیص و شناسایی اشیا

تشخیص و شناسایی اشیا (Object detection and recognition)، یکی از مهم ترین مباحث در بینایی ماشین است که به سیستم این امکان را می دهد تا اشیا مختلف موجود در تصاویر و ویدئوها را به ... بیشتر

جدید
گواهی‌نامه
4 (6 امتیاز)
95 دانشجو
متوسط

مرجان جلالی مقدم

به‌روزرسانی: ۱۴۰۳/۱۲/۲۷

محتوای دوره
پیش‌نیاز‌ها
درباره دوره
نظرات کاربران
درباره استاد

آنچه در این دوره می‌آموزید

مفاهیم مقدماتی تشخیص و شناسایی اشیا، کاربردها، چالش‌ها و روش‌های حل چالش‌ها

معیار (Metric)های ارزیابی الگوریتم های مکان یابی (Localization) و طبقه بندی (Classification) اشیا

الگوریتم ها و مدل های مختلف تشخیص و شناسایی اشیا، از الگوریتم های مبتنی بر ویژگی های دستی (Handcrafted features) تا الگوریتم های مبتنی بر شبکه عصبی کانولوشنی (CNN)

معرفی الگوریتم YOLO، بررسی سیر تکاملی نسخه های مختلف این مدل

محتوای دوره

3 فصل 18 جلسه 4 ساعت ویدیو
مقدمه ای بر تشخیص و شناسایی اشیا
  سرفصل های این دوره
مشاهده
"03:37
  تشخیص و شناسایی اشیا، مفاهیم مقدماتی، کاربردها و دسته بندی روش ها
مشاهده
"22:01
  روش های سنتی تشخیص و شناسایی اشیا
"15:01
  مروری بر شبکه های عصبی پیچشی (Faster R-CNN، R-CNN، (CNN
"24:46
تشخیص و شناسایی اشیا، مسائل، راه حل ها و معیارهای ارزیابی
تشخیص دهنده های تک مرحله ای اشیا (One Stage Object Detectors) و الگوریتم Detection Transformer

پیش‌نیاز‌ها

دوره آموزش یادگیری عمیق برای تشخیص و شناسایی اشیا به نحوی تهیه شده است که گروه‌های زیادی بتوانند از این دوره استفاده کنند و از آموزش‌های این دوره بهره‌مند شوند. برای درک بهتر موضوعات مطرح شده در این دوره نیاز است شرکت‌کنندگان با اصول و مبانی پایتون و شبکه‌های عصبی عمیق آشنایی داشته باشند.

درباره دوره

تشخیص و شناسایی اشیا (Object detection and recognition)، یکی از مهم ترین مباحث در بینایی ماشین است که به سیستم این امکان را می دهد تا اشیا مختلف موجود در تصاویر و ویدئوها را به صورت بلادرنگ شناسایی و دسته بندی کنند. این الگوریتم ها نه تنها باعث افزایش دقت و امنیت می شوند، بلکه بهره وری را در بخش های مختلف افزایش می دهند.

از مزایای این الگوریتم ها می توان به افزایش دقت و سرعت پردازش، امکان پردازش بلادرنگ، کاهش احتمال خطا نسبت به خطای انسانی در محیط های صنعتی، افزایش سطح ایمنی و امنیت و افزایش کارایی اشاره کرد. این الگوریتم ها در طیف وسیعی از کاربردها از جمله شمارش و ردیابی اشیا، تشخیص فعالیت، رانندگی خودران، اتوماسیون صنعتی، شناسایی نقص ها و بررسی خودکار کیفیت تولید و بسته بندی، حوزه سلامت و پزشکی، امنیت و نظارت تصویری، تجارت الکترونیک، واقعیت افزوده و … قابل استفاده می باشند.

طیف گسترده ای از الگوریتم ها از الگوریتم های مبتنی بر ویژگی های دستی (Handcrafted features) تا الگوریتم های مبتنی بر یادگیری عمیق، به این منظور توسعه داده شده اند. این دوره شامل سه فصل می باشد. 

در فصل مقدماتی این دوره به مفاهیم مقدماتی تشخیص و شناسایی اشیا پرداخته شده است. سیر تکاملی کلی این الگوریتم ها در این فصل بیان شده است و در ادامه این فصل به الگوریتم های سنتی تشخیص و شناسایی اشیا مانند الگوریتم هیستوگرام گرادیان جهت دار (HOG) و الگوریتم Haar Cascade پرداخته شده است. و نهایتا شرحی بر الگوریتم های دو مرحله ای تشخیص و شناسایی اشیا مانند الگوریتم RCNN و Faster-RCNN داده شده است و ویژگی و محدودیت های این الگوریتم ها مورد بررسی قرار گرفته است.

در فصل دوم، معیارهای ارزیابی مکان یابی و دسته بندی اشیا مورد بررسی قرار گرفته است و به بررسی روش های مختلف برای حل مساله کمبود داده آموزشی و برچسب دار پرداخته شده است.

نهایتا در فصل سوم، به الگوریتم YOLO، بررسی ویژگی های ارائه شده در نسخه های مختلف این الگوریتم، نحوه آماده سازی داده آموزشی، آماده سازی محیط برای آموزش شبکه عصبی YOLO و آموزش شبکه عصبی YOLO11 با استفاده از داده های آموزشی آماده شده، پرداخته شده است. همچنین در ادامه این فصل، مدل ازپیش آموزش داده YOLO11، برای مسائل هدف مختلف پوشش داده شده توسط این مدل بر روی یک مثال آزمایشی، مورد بررسی قرار گرفته است.

در انتهای این فصل، خلاصه ای از الگوریتم های Single Shot Multi Box Detector و Detection Transforme، بیان شده اند. این دوره برای عزیزانی که با شبکه‌های عصبی عمیق آشنایی دارند و تصمیم به آشنایی و استفاده از الگوریتم های تشخیص و شناسایی اشیا را دارند مناسب می‌باشد

اطلاعات بیشتر

امتیاز و نظرات کاربران

4

از مجموع 6 امتیاز

3 نظر

1 ماه پیش

دوره خوبیه و مطالب خیلی خوبقابل فهم ارائه شدن

reza yousofvand

1 ماه پیش

توصیه می کنم

دانشجوی دوره

2 ماه پیش

ممنون از دوره خیلی خوبتون

پوریا

نظرات بیشتر

گواهی‌نامه

آموزش یادگیری عمیق برای تشخیص و شناسایی اشیا

پس از گذراندن محتوای دوره به صورت آنلاین (بدون دانلود) در سایت مکتب‌خونه، در صورتی‌ که حد نصاب قبولی در دوره را کسب و تمرین ها و پروژه های الزامی را ارسال کنید، گواهی‌نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

قابل اشتراک‌گذاری در

linkdin

دوره‌های پیشنهادی

درباره استاد

مرجان جلالی مقدم
2 دوره
163 دانشجو

مرجان جلالی مقدم دانش آموخته کارشناسی ارشد هوش مصنوعی (دانشگاه صنعتی امیرکبیر) و دارای مقالات علمی مختلف و ثبت اختراع در حوزه هوش مصنوعی است.

ایشان تجربه فعالیت با عنوان توسعه دهنده و مشاور فنی در حوزه بینایی ماشین و یادگیری ماشین در شرکت های مختلف، تیم لید فنی و توسعه دهنده یادگیری عمیق در شرکت دیجی نکست و هم بنیانگذاری در شرکت ماکو ويژن را در کارنامه داشته و هم اکنون به عنوان مدیرعامل و مدرس بینایی ماشین و یادگیری عمیق فعالیت می کند

اطلاعات بیشتر

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟

خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.

حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟

برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.

در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟

خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟

بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

تمام حقوق این وب‌سایت برای شرکت ندای دانش همراه ایرانیان (مکتب‌خونه‌‌‌‌) است.