مبانی یادگیری عمیق برای بینایی کامپیوتر ۲۰۲۱
Elements of Deep Learning for Computer Vision 2021

درک عمیق یادگیری عمیق در کاربردهای بینایی کامپیوتر با استفاده از کتابخانه‌های PyTorch و Python.

ویژگی‌های کلیدی

● پوشش پروژه‌های متنوع بینایی کامپیوتر، از جمله تشخیص چهره و تشخیص اشیا مانند Yolo و Faster R-CNN.

● شامل نمایش‌های گرافیکی و تصاویر شبکه‌های عصبی و آموزش نحوه برنامه‌نویسی آن‌ها.

● شامل تکنیک‌ها و معماری‌های یادگیری عمیق ارائه شده توسط مایکروسافت، گوگل و دانشگاه آکسفورد.

توضیحات

کتاب “مبانی یادگیری عمیق برای بینایی کامپیوتر” درک کاملی از یادگیری عمیق ارائه می‌دهد و راهکارهای بسیار دقیقی برای بینایی کامپیوتر با استفاده از کتابخانه‌هایی مانند PyTorch ارائه می‌کند.

این کتاب شما را با یادگیری عمیق آشنا می‌کند و تمام مفاهیم مورد نیاز برای درک عملکرد اساسی، توسعه و تنظیم یک شبکه عصبی با استفاده از Pytorch را توضیح می‌دهد. سپس کتاب به حوزه بینایی کامپیوتر با استفاده از دو کتابخانه، از جمله نسخه پایتون OpenCV و PIL می‌پردازد. پس از تثبیت و درک هر دو مفهوم اصلی، کتاب با توضیح شبکه‌های عصبی کانولوشن (CNN) به طور همزمان به آن‌ها می‌پردازد. CNNها با استفاده از استانداردهای برتر صنعت و تحقیقات بیشتر تشریح می‌شوند تا توضیح دهند که چگونه تشخیص پیچیده اشیا را در تصاویر و فیلم‌ها ارائه می‌کنند، در حالی که ارزیابی آن‌ها را نیز توضیح می‌دهند. در پایان، کتاب توضیح می‌دهد که چگونه یک مدل تشخیص شی کاملاً کاربردی، از جمله استقرار آن از طریق API، توسعه دهید.

در پایان این کتاب، شما به خوبی با نقش یادگیری عمیق در زمینه بینایی کامپیوتر همراه با یک فرایند هدایت‌شده برای طراحی راهکارهای یادگیری عمیق آشنا خواهید شد.

آنچه خواهید آموخت

● با مکانیسم یادگیری عمیق و نحوه عملکرد شبکه‌های عصبی آشنا شوید.

● یاد بگیرید که چگونه یک مدل شبکه عصبی بسیار دقیق توسعه دهید.

● دسترسی به کتابخانه‌های غنی پایتون برای مقابله با چالش‌های بینایی کامپیوتر.

● ساخت مدل‌های یادگیری عمیق با استفاده از PyTorch و یادگیری نحوه استقرار با استفاده از API.

● یاد بگیرید که مدل‌های تشخیص شی و تشخیص چهره را به همراه استقرار آن‌ها توسعه دهید.

این کتاب برای چه کسانی است

این کتاب برای خوانندگانی است که آرزو دارند درک اساسی و قوی از نحوه تزریق یادگیری عمیق به کاربردهای بینایی کامپیوتر و پردازش تصویر به دست آورند. از خوانندگان انتظار می‌رود مهارت‌های متوسط پایتون را داشته باشند. هیچ دانش قبلی در مورد PyTorch و بینایی کامپیوتر مورد نیاز نیست.

فهرست مطالب

1. مقدمه‌ای بر یادگیری عمیق

2. یادگیری نظارت‌شده

3. گرادیان کاهشی

4. OpenCV با پایتون

5. کتابخانه تصویربرداری پایتون و Pillow

6. مقدمه‌ای بر شبکه‌های عصبی کانولوشن

7. GoogLeNet، VGGNet و ResNet

8. درک تشخیص شی

9. الگوریتم‌های محبوب برای تشخیص شی

10. Faster RCNN با PyTorch و YoloV4 با Darknet

11. مقایسه الگوریتم‌ها و استقرار API با Flask

12. کاربردها در دنیای واقعی

Conceptualizing deep learning in computer vision applications using PyTorch and Python libraries.

KEY FEATURES  

● Covers a variety of computer vision projects, including face recognition and object recognition such as Yolo, Faster R-CNN.

● Includes graphical representations and illustrations of neural networks and teaches how to program them.

● Includes deep learning techniques and architectures introduced by Microsoft, Google, and the University of Oxford.

DESCRIPTION 

Elements of Deep Learning for Computer Vision gives a thorough understanding of deep learning and provides highly accurate computer vision solutions while using libraries like PyTorch.

This book introduces you to Deep Learning and explains all the concepts required to understand the basic working, development, and tuning of a neural network using Pytorch. The book then addresses the field of computer vision using two libraries, including the Python wrapper/version of OpenCV and PIL. After establishing and understanding both the primary concepts, the book addresses them together by explaining Convolutional Neural Networks(CNNs). CNNs are further elaborated using top industry standards and research to explain how they provide complicated Object Detection in images and videos, while also explaining their evaluation. Towards the end,  the book explains how to develop a fully functional object detection model, including its deployment over APIs.

By the end of this book, you are well-equipped with the role of deep learning in the field of computer vision along with a guided process to design deep learning solutions.

WHAT YOU WILL LEARN

● Get to know the mechanism of deep learning and how neural networks operate.

● Learn to develop a highly accurate neural network model. 

● Access to rich Python libraries to address computer vision challenges. 

● Build deep learning models using PyTorch and learn how to deploy using the API.

● Learn to develop Object Detection and Face Recognition models along with their deployment.

WHO THIS BOOK IS FOR  

This book is for the readers who aspire to gain a strong fundamental understanding of how to infuse deep learning into computer vision and image processing applications. Readers are expected to have intermediate Python skills. No previous knowledge of PyTorch and Computer Vision is required.

TABLE OF CONTENTS

1. An Introduction to Deep Learning

2. Supervised Learning

3. Gradient Descent

4. OpenCV with Python

5. Python Imaging Library and Pillow

6. Introduction to Convolutional Neural Networks

7. GoogLeNet, VGGNet, and ResNet

8. Understanding Object Detection

9. Popular Algorithms for Object Detection

10. Faster RCNN with PyTorch and YoloV4 with Darknet

11. Comparing Algorithms and API Deployment with Flask

12. Applications in Real World