Современное компьютерное зрение с PyTorch: изучите концепции глубокого обучения и реализуйте более 50 реальных приложений для обработки изображений на русском

Освойте методы глубокого обучения для создания приложений обработки изображений с использованием PyTorch с помощью блокнотов с кодом и тестовых заданий.

Основные характеристики

• Реализуйте решения для 50 реальных задач компьютерного зрения с использованием PyTorch.
• Понять теорию и механизмы работы архитектур нейронных сетей и их реализацию.
• Ознакомьтесь с лучшими практиками, используя специально созданную для этой книги библиотеку.

Описание книги

Глубокое обучение является движущей силой многих последних достижений в различных приложениях компьютерного зрения (CV). Эта книга предлагает практический подход, который поможет вам решить более 50 задач компьютерного зрения с использованием PyTorch 1.x на реальных наборах данных.

Вы начнёте с создания нейронной сети (НС) с нуля, используя NumPy и PyTorch, и познакомитесь с лучшими практиками настройки её гиперпараметров. Затем вы выполните классификацию изображений с помощью сверточных нейронных сетей и трансферного обучения и поймёте, как они работают. По мере продвижения вы реализуете множество сценариев использования, включая обнаружение нескольких объектов в 2D и 3D, сегментацию, оценку позы человека, изучая семейство R-CNN, SSD, YOLO, архитектуры U-Net и платформу Detectron2. Книга также поможет вам в выполнении замены выражений лица, генерации новых лиц и манипулировании выражениями лица, а также в изучении автокодировщиков и современных генеративных состязательных сетей. Вы узнаете, как комбинировать компьютерное зрение с методами обработки естественного языка, такими как LSTM и трансформеры, и методами обучения с подкреплением, такими как глубокое Q-обучение, для реализации оптического распознавания символов (OCR), создания подписей к изображениям, обнаружения объектов и агента для беспилотного автомобиля. Наконец, вы перенесете свою нейронную сеть в рабочую среду в облаке AWS.

К концу этой книги вы сможете уверенно использовать современные архитектуры нейронных сетей для решения более 50 реальных задач компьютерного зрения.

Что вы узнаете

• Обучите нейронную сеть с нуля с помощью NumPy и PyTorch.
• Реализация обнаружения и сегментации нескольких объектов в 2D и 3D режимах
• Генерируйте цифры и дипфейки с помощью автокодировщиков и продвинутых генеративно-состязательных сетей (GAN).
• Обрабатывайте изображения с помощью CycleGAN, Pix2PixGAN, StyleGAN2 и SRGAN.
• Объедините компьютерное зрение и обработку естественного языка для выполнения оптического распознавания текста, создания подписей к изображениям и обнаружения объектов.
• Объедините компьютерное зрение с обучением с подкреплением, чтобы создать агентов, которые играют в пинг-понг и управляют автомобилем самостоятельно.
• Разверните модель глубокого обучения на сервере AWS, используя FastAPI и Docker.
• Реализовано более 35 архитектур нейронных сетей и распространенных утилит OpenCV.

Для кого предназначена эта книга?

Эта книга предназначена для начинающих пользователей PyTorch и специалистов среднего уровня в области машинного обучения, желающих освоить методы компьютерного зрения с использованием глубокого обучения и PyTorch. Если вы только начинаете работать с нейронными сетями, вам будут полезны примеры использования, сопровождаемые блокнотами в GitHub, представленные в этой книге. Для начала работы с этой книгой вам понадобятся лишь базовые знания языка программирования Python и машинного обучения.

Оглавление

1. Основы искусственных нейронных сетей
2. Основы PyTorch
3. Создание глубокой нейронной сети с помощью PyTorch
4. Представляем сверточные нейронные сети.
5. Перенос обучения для классификации объектов
6. Практические аспекты классификации изображений
7. Основы обнаружения объектов
8. Расширенное обнаружение объектов
9. Сегментация изображений
10. Применение методов обнаружения и локализации объектов.
11. Автокодировщики и обработка изображений
12. Создание изображений с использованием GAN
13. Усовершенствованные GAN-сети для обработки изображений
14. Обучение с минимальным количеством точек данных
15. Сочетание методов компьютерного зрения и обработки естественного языка.
16. Сочетание компьютерного зрения и обучения с подкреплением
17. Перенос модели в производство
18. Утилиты OpenCV для анализа изображений