现代计算机视觉™ PyTorch、Tensorflow2 Keras 和 OpenCV4
使用 Python 学习 OpenCV4、CNN、Detectron2、YOLOv5、GAN、跟踪、分割、人脸识别和连体网络
讲师：Rajeev D. Ratan
口袋资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！
用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。
你将会学到的
- 所有主要的计算机视觉理论和概念！
- 学习使用 PyTorch、TensorFlow 2.0 和 Keras 执行计算机视觉深度学习任务
- OpenCV4 详细介绍，涵盖所有主要概念并提供大量示例代码
- 所有课程代码均适用于随附的 Google Colab Python 笔记本
- 学习所有主要的目标检测框架，从 YOLOv5 到 R-CNN、Detectron2、SSD、EfficientDetect 等等！
- 使用 U-Net、SegNet 和 DeepLabV3 进行深度分割
- 通过可视化不同的激活并应用 GradCAM 了解 CNN“看到”的内容
- 生成对抗网络 (GAN) 和自动编码器 – 生成数字、动漫角色、变换风格并实现超分辨率
- 训练、微调和分析您自己的分类器
- 面部识别以及性别、年龄、情绪和种族检测
- 神经风格迁移和 Google Deep Dream
- 迁移学习、微调和先进的 CNN 技术
- 重要的现代 CNN 设计，如 ResNets、InceptionV3、DenseNet、MobileNet、EffiicentNet 等等！
- 使用 DeepSORT 进行跟踪
- 连体网络、面部识别和分析（年龄、性别、情绪和种族）
- 图像字幕、深度估计和视觉转换器
- 点云（3D数据）分类和分割
- 使用 Flask 制作计算机视觉 API 和 Web 应用程序
要求
- 没有编程经验（会一些 Python 会很有帮助）
- 高中数学基础
- 宽带互联网连接
说明
欢迎使用现代计算机视觉™ Tensorflow、Keras 和 PyTorch！
人工智能和深度学习正在改变行业，而这场人工智能革命最有趣的部分之一就是计算机视觉！
但计算机视觉到底是什么？为什么它如此令人兴奋？那么，如果计算机能够理解通过相机或图像看到的内容会怎样？此类技术的应用无穷无尽，从医学成像、军事、自动驾驶汽车、安全监控、分析、安全、农业、工业和制造！这个清单是无穷无尽的。
计算机视觉工作者的工作需求正在猛增，该领域专家的薪水超过 20 万美元是很常见的。然而，进入这个领域并不容易。信息过多，其中许多已经过时，而且大量教程忽视了基础知识。因此，初学者不知道从哪里开始。
======================================================
涉及深度学习的计算机视觉应用正在蓬勃发展！
拥有能够“看见”的机器将改变我们的世界，并彻底改变几乎所有行业。具有视觉能力的机器或机器人将能够：
- 进行手术并通过医学扫描准确地分析和诊断您。
- 启用自动驾驶汽车
- 彻底改变机器人，使我们能够制造出可以做饭、清洁并协助我们完成几乎任何任务的机器人
- 了解闭路电视监控视频中看到的内容，从而执行安全、交通管理和许多其他服务
- 使用令人惊叹的神经风格转移和其他创新类型的图像生成来创造艺术
- 模拟许多任务，例如老化面孔、修改实时视频源以及真实地替换电影中的演员
======================================================
本课程旨在解决这一切！
- 使用Google Colab 笔记本进行教学（没有混乱的安装，所有代码都可以立即运行）
- 超过 27 小时的最新相关计算机视觉理论以及示例代码
- 使用PyTorch和 TensorFlow Keras 进行教学！
在本课程中，您将学习计算机视觉、经典计算机视觉（使用 OpenCV）的基本基础，然后我将继续学习深度学习，在其中我们构建 CNN 的基础知识并学习以下主题的所有内容：
======================================================
详细的 OpenCV 指南涵盖：
- 图像操作和处理
- 轮廓和分割
- 简单的物体检测和跟踪
- 面部标志、识别和面部交换
- 神经风格迁移、YOLOv3、SSD 和黑白图像着色器的 OpenCV 实现
- 使用视频和视频流
我们的综合深度学习教学大纲包括：
- 使用 CNN 进行分类
- CNN 分析、可视化性能、高级 CNN 技术的详细概述
- 迁移学习和微调
- 生成对抗网络 – CycleGAN、ArcaneGAN、SuperResolution、StyleGAN
- 自动编码器
- 神经风格迁移和 Google DeepDream
- 现代 CNN 架构，包括视觉 Transformer（ResNets、DenseNets、MobileNET、VGG19、InceptionV3、EfficientNET 和 ViTs）
- 用于图像相似度的连体网络
- 面部识别（年龄、性别、情绪、种族）
- PyTorch 闪电
- 使用 YOLOv5 和 v4、EfficientDetect、SSD、Faster R-CNN 进行对象检测，
- 深度分割 – MaskCNN、U-NET、SegNET 和 DeepLabV3
- 使用 DeepSORT 进行跟踪
- 深度造假一代
- 视频分类
- 光学字符识别 (OCR)
- 图像字幕
- 使用点云数据的 3D 计算机视觉
- 医学成像 – X 射线分析和 CT 扫描
- 深度估计
- 使用 Flask 制作计算机视觉 API
- 还有更多
这是一门综合课程，分为两 (2) 个主要部分。第一个是详细的 OpenCV（经典计算机视觉教程），第二个是详细的深度学习
======================================================
本课程充满了有趣和酷的项目，包括这些经典计算机视觉项目：
- 按大小、位置对轮廓进行排序，并使用它们进行形状匹配
- 寻找沃尔多
- 透视变换（CamScanner）
- 图像相似度
- 图像颜色的 K 均值聚类
- 使用 MeanShift 和 CAMShift 进行运动跟踪
- 光流
- 使用 Dlib 进行面部标志检测
- 换脸
- 二维码和条形码到达
- 背景去除
- 文本检测
- 使用 PyTesseract 和 EasyOCR 进行 OCR
- 为黑白照片着色
- 具有修复和噪声消除功能的计算摄影
- 使用边缘检测创建您自己的草图
- RTSP 和 IP 流
- 将屏幕截图捕获为视频
- 直接导入 YouTube 视频
======================================================
深度学习计算机视觉项目：
- PyTorch 和 Keras CNN 教程 MNIST
- PyTorch 和 Keras 错误分类和模型性能分析
- 有和没有正则化的 PyTorch 和 Keras Fashion-MNIST
- CNN 可视化 – 滤波器和滤波器激活可视化
- CNN 可视化过滤器和类最大化
- CNN 可视化 GradCAM GradCAMplusplus 和 FasterScoreCAM
- 使用 Keras 在 Tensorflow2.0 中复制 LeNet 和 AlexNet
- PyTorch 和 Keras 预训练模型 – 1 – VGG16、ResNet、Inceptionv3、MobileNetv2、SqueezeNet、WideResNet、DenseNet201、MobileMNASNet、EfficientNet 和 MNASNet
- Rank-1 和 Rank-5 准确度
- PyTorch 和 Keras Cats vs Dogs PyTorch – 使用您自己的数据进行训练
- PyTorch Lightning 教程 – 批量和 LR 选择、Tensorboard、回调、mGPU、TPU 等
- PyTorch Lightning – 迁移学习
- PyTorch 和 Keras 迁移学习和微调
- PyTorch 和 Keras 使用 CNN 作为特征提取器
- PyTorch 和 Keras – Google Deep Dream
- PyTorch Keras – 神经风格迁移 + TF-HUB 模型
- 使用 Fashion-MNIST 数据集的 PyTorch 和 Keras 自动编码器
- PyTorch 和 Keras – 生成对抗网络 – DCGAN – MNIST
- 大声 – 超分辨率 SRGAN
- 项目 -Generate_Anime_with_StyleGAN
- CycleGAN – 将马变成斑马
- ArcaneGAN 推理
- PyTorch 和 Keras 暹罗网络
- 在 Keras 中使用 VGGFace 进行面部识别
- PyTorch 与 FaceNet 的面部相似度
- DeepFace – 年龄、性别、表情、头部姿势和识别
- 物体检测 – 枪、手枪探测器 – Scaled-YOLOv4
- 对象检测 – 掩模检测 – TensorFlow 对象检测 – MobileNetV2 SSD
- 物体检测 – 手语检测 – TFODAPI – EfficientDetD0-D7
- 物体检测 – 使用 TinyYOLOv4 进行坑洞检测
- 物体检测 – 蘑菇型物体检测 – Detectron 2
- 物体检测 – 网站截图区域检测 – YOLOv4-Darknet
- 物体检测 – 无人机海事探测器 – Tensorflow 物体检测 Faster R-CNN
- 物体检测 – 棋子检测 – YOLOv3 PyTorch
- 物体检测 – 建筑工地安全帽检测 – EfficientDet-v2
- 物体检测血细胞物体检测 – YOLOv5
- 对象检测Plant Doctor 对象检测 – YOLOv5
- 图像分割 – Keras、U-Net 和 SegNet
- DeepLabV3 – PyTorch_Vision_Deeplabv3
- Mask R-CNN 演示
- Detectron2 – Mask R-CNN
- 训练 Mask R-CNN – 形状
- Yolov5 DeepSorch Pytorch 教程
- DeepFakes – 一阶模型演示
- 视觉转换器教程 PyTorch
- Keras 中的视觉 Transformer 分类器
- 使用 BigTransfer (BiT) 进行图像分类
- 使用 Keras 进行深度估计
- 使用 Keras 度量学习进行图像相似性搜索
- 使用 Keras 进行图像字幕
- 使用 Keras 的 CNN-RNN 架构进行视频分类
- 使用 Keras 使用 Transformers 进行视频分类
- 点云分类-PointNet
- 使用 PointNet 进行点云分割
- 3D 图像分类 CT 扫描
- 使用 TPU 进行 X 射线肺炎分类
- 使用 MIRNet 进行低光图像增强
- 验证码 OCR 破解器
- Flask Rest API – 服务器和 Flask Web 应用程序
- Detectron2 – BodyPose
此课程面向哪些人：
- 各个级别的学院/大学生从本科生到博士（对于做项目的人非常有帮助）
- 希望过渡到计算机视觉的软件开发人员和工程师
- 初创公司创始人希望学习如何实现他们的伟大想法
- 业余爱好者甚至是希望开始计算机视觉的高中生
