Что это такое?
Видеокурс по глубокому обучению, который разбирает классические архитектуры компьютерного зрения для классификации изображений, детекции объектов, сегментации и поиска ключевых точек. Каждая сеть сопровождается лекцией и готовым к запуску кодом.
Видеокурс по глубокому обучению, который разбирает классические архитектуры компьютерного зрения для классификации изображений, детекции объектов, сегментации и поиска ключевых точек. Каждая сеть сопровождается лекцией и готовым к запуску кодом.Это готовая библиотека или набор учебных примеров?Это учебный материал, а не пакет для установки. У каждой сети есть своя реализация на PyTorch и, для большинства из них, отдельная реализация на TensorFlow2 (keras), которые можно изучать параллельно.
Это учебный материал, а не пакет для установки. У каждой сети есть своя реализация на PyTorch и, для большинства из них, отдельная реализация на TensorFlow2 (keras), которые можно изучать параллельно.Как идти за уроком?Выберите сеть из списка курса (например, ResNet, YOLO, U-Net), посмотрите соответствующее видеообъяснение на bilibili, затем откройте в репозитории папку pytorch_* или tensorflow_* и запустите код самостоятельно. Слайды лекций хранятся в папке courseppt.
Выберите сеть из списка курса (например, ResNet, YOLO, U-Net), посмотрите соответствующее видеообъяснение на bilibili, затем откройте в репозитории папку pytorch_* или tensorflow_* и запустите код самостоятельно. Слайды лекций хранятся в папке courseppt.Нужны ли мне и PyTorch, и TensorFlow2, чтобы пользоваться этим?Нет, достаточно фреймворка, который вы хотите изучать. Большинство сетей реализованы и на PyTorch, и на TensorFlow2, так что можно придерживаться одного из них.
Нет, достаточно фреймворка, который вы хотите изучать. Большинство сетей реализованы и на PyTorch, и на TensorFlow2, так что можно придерживаться одного из них.Лекции в видео на английском языке?Нет, курс, его слайды и видео полностью на китайском языке и размещены на канале автора на bilibili.
Нет, курс, его слайды и видео полностью на китайском языке и размещены на канале автора на bilibili.Для кого предназначен этот курс?Для студентов и тех, кто учится самостоятельно и хочет понять классические архитектуры компьютерного зрения и реализовать их с нуля, ведь материал основан на собственных научных заметках автора, которые он вёл в аспирантуре.
Для студентов и тех, кто учится самостоятельно и хочет понять классические архитектуры компьютерного зрения и реализовать их с нуля, ведь материал основан на собственных научных заметках автора, которые он вёл в аспирантуре.Какие темы курс охватывает в целом?Четыре направления: классификация изображений (от LeNet до ConvNeXt и MobileViT), детекция объектов (Faster-RCNN/FPN, SSD, RetinaNet, серия YOLO, FCOS), семантическая сегментация (FCN, DeepLabV3, U-Net, U2Net) и задачи на уровне экземпляров и ключевых точек (Mask R-CNN, DeepPose, HRNet).
Четыре направления: классификация изображений (от LeNet до ConvNeXt и MobileViT), детекция объектов (Faster-RCNN/FPN, SSD, RetinaNet, серия YOLO, FCOS), семантическая сегментация (FCN, DeepLabV3, U-Net, U2Net) и задачи на уровне экземпляров и ключевых точек (Mask R-CNN, DeepPose, HRNet).Где найти слайды, которые используются на лекциях?Все слайды PPT хранятся в папке courseppt репозитория и доступны для прямого скачивания.
Все слайды PPT хранятся в папке courseppt репозитория и доступны для прямого скачивания.Курс всё ещё пополняется?Да. Пункты в программе курса отмечаются как завершённые, когда готовы видео и код, а автор сообщает, что новые темы будут добавляться по мере их изучения.
Да. Пункты в программе курса отмечаются как завершённые, когда готовы видео и код, а автор сообщает, что новые темы будут добавляться по мере их изучения.What are similar projects?mmdetection, Swin-Transformer, DeepLearning, vit-pytorch, X-AnyLabeling, VisionHOPE, awesome-deep-vision, deeplearning_ai_books
mmdetection, Swin-Transformer, DeepLearning, vit-pytorch, X-AnyLabeling, VisionHOPE, awesome-deep-vision, deeplearning_ai_booksWhich topics is it in?swin-transformer, mask-rcnn, tensorflow2, instance-segmentation, vision-transformer, convolutional-neural-networks, semantic-segmentation, yolo, cnn, deep-neural-networks, bilibili, segmentation
swin-transformer, mask-rcnn, tensorflow2, instance-segmentation, vision-transformer, convolutional-neural-networks, semantic-segmentation, yolo, cnn, deep-neural-networks, bilibili, segmentation