Apprendre la vision par ordinateur | Parcours d'apprentissage de la vision industrielle

Partager sur Facebook
Partager sur Twitter
Partager sur lié
Partager sur télégramme
Partager sur WhatsApp

Contenu

introduction

De nos jours, il existe une quantité écrasante de ressources disponibles pour l'apprentissage des concepts de vision par ordinateur.. Comment choisir parmi une multitude de tutoriels? Comment vaut-il la peine d'investir votre temps?

Si ces questions vous semblent familières, Vous êtes au bon endroit. Nous comprenons la douleur et les efforts nécessaires pour utiliser des centaines de ressources et choisir celles qui valent la peine que vous y consacrez votre temps.. C'est l'une des principales raisons pour lesquelles nous avons lancé les parcours d'apprentissage en premier lieu..

Jusqu'à l'année dernière, nous nous concentrons largement sur deux voies: apprentissage automatique et apprentissage profond. Mais notre communauté voulait des routes plus granuleuses; ils voulaient également un parcours d'apprentissage structuré pour la vision par ordinateur.

computer_vision_learning_path-1450904

Et c'est compréhensible. La demande et la valeur d'un expert en vision par ordinateur sont très élevées dans l'industrie. Spécialisé en vision par ordinateur et ses différentes facettes, et vous verrez beaucoup de recruteurs essayer de mettre la main sur vous.

Je me souviens quand j'ai commencé mon propre voyage de vision par ordinateur. Je faisais référence à plusieurs ressources simultanément: livres, des articles (dont il n'y en avait pas beaucoup à l'époque), Vidéos youtube, entre autres choses. C'était un chemin dispersé vers la maîtrise de la vision par ordinateur.

Donc, J'ai eu le plaisir de vous proposer ce parcours d'apprentissage structuré de la vision par ordinateur.. Avant d'y entrer, Comprenons le cadre que j'ai créé pour rationaliser votre parcours d'apprentissage.

Notre cadre pour le parcours d'apprentissage de la vision par ordinateur

Chaque mois a aussi une structure. Voici comment nous avons classé les différents aspects que vous devez connaître pour chaque mois:

  • Cibler: Qu'allez-vous apprendre ce mois-là? Quelles sont les principales conclusions? Comment votre voyage de vision par ordinateur progressera-t-il? Nous mentionnons cela au début de chaque mois pour nous assurer que vous savez où vous êtes et où vous serez à la fin de ce mois particulier..
  • Temps suggéré: Combien de temps en moyenne dois-je passer sur cette section par semaine
  • Ressources pour apprendre: Une collection des meilleures ressources pour les sujets de vision par ordinateur que vous apprendrez au cours de ce mois. Cela inclut les articles, tutoriels, vidéos, documents de recherche et autres ressources similaires.

Vous pouvez télécharger l'infographie correspondante de ce parcours d'apprentissage. ici.

À la recherche d'autres parcours d'apprentissage en science des données? Ne t'inquiète pas, nous l'avons couvert:

Mes 1 – Couvrir les bases: Python et statistiques

Cibler: A la fin du premier mois, avoir une compréhension de base de ce qu'est la vision par ordinateur. Vous serez également à l'aise avec Python et les statistiques, les deux thèmes centraux de votre parcours de vision par ordinateur.

python_tricks-9898776

Temps suggéré: 5-6 heures par semaine

Introduction et motivation pour la vision par ordinateur: Tutoriel SAS et vision par ordinateur: qu'est-ce que c'est et pourquoi est-ce important.

Exigences précédentes:

Mes 2 – Résoudre un Problème de classification d'images à l'aide de l'apprentissage automatique

Cibler: Avoir une compréhension de base de l'apprentissage automatique. Vous devez être à l'aise avec différentes techniques de prétraitement d'images et serez capable de résoudre des problèmes de classification d'images à l'aide de modèles d'apprentissage automatique..

deep-learning-image-classification-4148049

Temps suggéré: 5-6 heures par semaine

Bases de l'apprentissage automatique:

Pré-traitement des images:

Classification d'images à l'aide de l'apprentissage automatique:

Projet: Identifier les vêtements

Mes 3 – Introduction à Keras et aux réseaux de neurones

Cibler: Vous apprendrez l'un des outils d'apprentissage en profondeur les plus utilisés: Dur. Vous comprendrez également ce que sont les réseaux de neurones et comment ils fonctionnent. Fin mars, être capable de résoudre des problèmes de classification d'images à l'aide de réseaux de neurones.

ann3-2558245

Temps suggéré: 4-5 heures par semaine

Familiarisez-vous avec Keras:

Introduction aux réseaux de neurones:

  • Réseaux de neurones par 3Blue1Brown:

Projet: Identifier les vêtements

Mes 4: comprendre les réseaux de neurones convolutifs (CNN), transfert d'apprentissage et création de votre profil

Cibler: J'aime appeler ça le mois “en mouvement” sur votre parcours de vision par ordinateur. C'est là que les choses montent d'un cran avec l'introduction des réseaux de neurones convolutifs. (CNN). Ces CNN sont à l'origine de nombreuses applications récentes de vision par ordinateur que nous voyons autour de nous., y compris la détection d'objets. A ce stade de votre voyage, vous devriez également commencer à créer votre profil en participant à des concours.

pytoch-cnn-9974332

Temps suggéré: 6-7 heures par semaine

Introduction aux réseaux de neurones convolutifs (CNN):

Introduction à l'apprentissage transféré:

Projet: Identifier les chiffres

Construisez votre profil: participer à des concours:

Mes 5: dépannage de la détection d'objets

Cibler: La détection d'objets est une technique de vision par ordinateur largement utilisée (peut-être LE plus utilisé). C'est ce qui m'a attiré vers la vision par ordinateur en premier lieu !! Ce mois-ci, il s'agit de se familiariser avec les différents algorithmes de détection d'objets. En outre, Je recommande fortement d'écrire des articles sur les concepts que vous avez appris jusqu'à présent.

détection_objet_temps_réel-2138422

Temps suggéré: 6-7 heures par semaine

Dépannage de la détection d'objets:

Projet:

Commencez à écrire des articles pour vous engager avec la communauté, construire votre profil et solidifier votre propre compréhension des sujets.

Mes 6: Comprendre la segmentation des images et les modèles d'attention

Cibler: En juin, vous apprendrez à résoudre des problèmes de segmentation d'images. Vous comprendrez également quels sont les modèles de soins (à la fois théorique et pratique). C'est là que votre plongée profonde dans la vision par ordinateur commence vraiment à porter ses fruits..

segmentation-sémantique1-9293622

Temps suggéré: 6-7 heures par semaine

Introduction à la segmentation d'images:

Projet: Défi de segmentation COCO

Modèles de soins:

Mes 7: Explorer les outils d'apprentissage en profondeur

Cibler: Un mois d'apprentissage vraiment amusant!! Nous avons couvert de nombreux concepts de vision par ordinateur jusqu'à présent, Il est maintenant temps de passer aux choses sérieuses avec les frameworks d'apprentissage en profondeur de nouvelle génération !! Cela revient au choix, mais nous recommandons les deux plus courants dans l'industrie en ce moment: PyTorch et TensorFlow. Essayez de mettre en œuvre tous les concepts que vous avez couverts jusqu'à présent dans l'un de ces outils.

deep-learning-framework_icon_2-5830267

Temps suggéré: 6-7 heures par semaine

PyTorche:

TensorFlow:

Mes 8 – Comprendre les bases de la PNL et des légendes d'images

Cibler: C'est ici que commence votre spécialisation. Ici, vous avez la possibilité de combiner vos connaissances en apprentissage en profondeur avec les concepts du traitement du langage naturel. (PNL) pour résoudre des projets de légende d'image.

nlp-modèles-1-5564824

Temps suggéré: 6-7 heures par semaine

Notions de base sur le traitement du langage naturel (PNL):

  • Incrustations de mots Stanford:

  • Introduction aux réseaux de neurones récurrents (RNN):

Comprendre les légendes des images

Projet: Défi Légende COCO

Mes 9 – Se familiariser avec les réseaux d'adversaires génératifs (GAN)

Cibler: En septembre, comprendre les réseaux d'adversaires génératifs (GAN). Les GAN ont monté en flèche depuis que Ian Goodfellow les a officiellement présentés à 2014. Il existe de nombreuses applications GAN dans le monde réel de nos jours, y compris la peinture, imagerie, etc.

gans_1-8221759

Temps suggéré: 6-7 heures par semaine

Compréhension des réseaux génératifs conflictuels (GAN):

  • Réseaux génératifs de confrontation (GAN) par Ian Goodfellow:

Mes 10: Introduction à l'analyse vidéo

Cibler: L'analyse vidéo est une application florissante de la vision par ordinateur. La demande pour cette compétence n'augmentera que de 2020 (et au-delà), c'est donc une bonne idée d'avoir au moins une connaissance pratique de la façon de travailler avec des ensembles de données vidéo.

video_object_detection_removal-6826959

Temps suggéré: 5-6 heures par semaine

Introduction à l'analyse vidéo:

Mois 11 Oui 12 – Résoudre des projets et construire votre profil

Cibler: Les deux derniers mois sont consacrés à l'acquisition d'une expérience pratique et à la participation à plusieurs projets et concours. Jusqu'à présent, nous avons couvert des projets ainsi que des concepts d'apprentissage; il est maintenant temps de libérer votre apprentissage sur des ensembles de données du monde réel.

gaussien_yolov3_project-2339516

Temps suggéré: 5-6 heures par semaine

Infographie – Parcours d'apprentissage de la vision artificielle pour 2020

Garder une trace de vos progrès au fur et à mesure que vous apprenez de nouvelles choses est la clé d'un processus d'apprentissage structuré. J'aime garder une liste de contrôle au fur et à mesure que j'apprends., marquer les choses au fur et à mesure que je plonge dans le domaine. Et quelle meilleure liste de contrôle qu'une liste illustrée avec une ventilation mois par mois de ce parcours d'apprentissage de la vision par ordinateur ?? Ici tu as:

parcours-d

Abonnez-vous à notre newsletter

Nous ne vous enverrons pas de courrier SPAM. Nous le détestons autant que vous.