-
معرفی دوره
رایگان
00:14:23
-
بررسی نقشه راه دوره
رایگان
00:06:53
-
فصل اول – آشنایی با مفاهیم پردازش تصویر و کتابخانه OpenCV
رایگان
00:06:51
-
آشنایی با مفهوم داده های تصویری
رایگان
00:08:33
-
آماده سازی محیط برنامه نویسی
رایگان
00:18:58
-
معرفی و شروع کار با کتابخانه OpenCV
00:19:22
-
تصاویر Grayscale
00:14:23
-
معرفی فضاهای رنگی HSV و RGB
00:16:11
-
ترسیم اشکال روی تصویر
00:16:47
-
اعمال Transformation ها روی تصویر
00:16:17
-
تغییر ابعاد و مقیاس تصویر
00:16:39
-
عملگرهای بیتی و حسابی
00:14:34
-
محو کردن و تیز کردن تصاویر
00:12:51
-
آشنایی با Thresholding و Binarization
00:15:41
-
تشخیص لبه ها، Erosion و Dilation
00:11:42
-
تشخیص خط و دایره
00:14:21
-
شمارش اشکال
00:17:06
-
تشخیص گوشه ها
00:11:17
-
آشنایی با HAAR Cascade
00:08:12
-
حل مثال تشخیص چشم و صورت
00:10:08
-
حل مثال تشخیص خودرو و عابرین پیاده
00:10:50
-
آشنایی با Image Segmentation
00:20:49
-
استخراج پس زمینه
00:11:40
-
تعقیب اشیاء با Optical Flow
00:19:26
-
استفاده از وب کم و دوربین خارجی
رایگان
00:14:35
-
کار با داده های ویدئویی
00:06:20
-
ذخیره و ایجاد فایل های ویدئویی
00:06:03
-
فصل دوم – یادگیری عمیق و شبکه های عصبی پیچشی
00:10:36
-
آشنایی با کانوولوشن
00:12:27
-
معرفی Feature Detector ها
00:07:27
-
کانوولوشن سه بعدی و کار با تصاویر رنگی
00:04:52
-
مفهوم سایز Kernel و Depth
00:07:59
-
معرفی Padding
00:06:25
-
معرفی Stride
00:07:16
-
آشنایی با توابع فعال ساز – معرفی ReLU
00:08:40
-
آشنایی با Pooling
00:08:59
-
آشنایی با لایه شبکه عصبی Fully Connected
00:06:24
-
آشنایی با تابع Softmax
00:04:27
-
جمع بندی شبکه های عصبی پیچشی
00:04:19
-
پارامترهای یادگیرنده در CNN
00:12:23
-
بکارگیری CNN روی تصاویر
00:10:51
-
فرایند آموزش مدل CNN
00:13:56
-
تابع هزینه
00:10:08
-
آشنایی با پس انتشار و کاهش گرادیان
00:08:56
-
نگاهی به کتابخانه های یادگیری عمیق در پایتون
00:06:54
-
فصل سوم – پیاده سازی مدل های پیشرفته بینایی کامپیوتر با استفاده از شبکه CNN
رایگان
00:03:11
-
توضیحاتی در رابطه با پردازنده های CPU و GPU و معرفی محیط Colab
00:11:24
-
تنظیمات GPU – نصب درایور Nvidia
00:07:00
-
تنظیمات GPU – نصب کتابخانه PyTorch روی GPU
00:07:00
-
پروژه ساخت مدل CNN با استفاده از کتابخانه PyTorch
00:10:48
-
معرفی Transformation Pipeline
00:08:46
-
دانلود و مصور سازی داده ها
00:11:46
-
آشنایی با Data Loader
00:09:26
-
ساخت مدل CNN در PyTorch
00:19:34
-
پیاده سازی بهینه ساز و تابع هزینه
00:06:17
-
اجرای فرآیند آموزش مدل
00:18:21
-
ذخیره مدل و نمایش نتایج
00:09:26
-
ترسیم نمودارهای نتایج
00:05:43
-
پروژه ساخت مدل شبکه CNN با استفاده از کتابخانه Tensorflow
00:14:34
-
دانلود و بارگیری داده ها
00:13:00
-
نمایش داده ها
00:07:15
-
پیش پردازش داده ها
00:11:44
-
پیاده سازی ساختمان شبکه عصبی پیچشی CNN
00:09:18
-
آموزش مدل CNN در تنسورفلو
00:11:45
-
ترسیم نمودارهای نتایج
00:10:33
-
ذخیره مدل و مصور سازی نتایج
00:15:21
-
مروری بر کتابخانه های PyTorch و Tensorflow
00:10:51
-
آشنایی با روش سنجش عملکرد مدل های Classifier
00:07:08
-
آشنایی با Confusion Matrix و Classification Report
00:14:59
-
سنجش میزان دسته بندی های اشتباه در Keras
00:13:15
-
محاسبه Confusion Matrix و Classification Report در Keras
00:11:00
-
سنجش میزان دسته بندی های اشتباه در PyTorch
00:11:42
-
مفهوم بیش برازش یا Overfitting
00:10:15
-
معرفی مفهوم Regularization
00:07:33
-
معرفی Dropout
00:03:45
-
معرفی L1 و L2
00:06:50
-
معرفی Data Augmentation
00:04:17
-
معرفی Early Stopping
00:04:38
-
معرفی Batch Normalization
00:05:05
-
نکاتی در رابطه با استفاده از Regularization
00:06:52
-
پروژه CNN با استفاده از دیتاست شخصی – تشخیص سگ و گربه 1
00:17:05
-
پروژه CNN با استفاده از دیتاست شخصی – تشخیص سگ و گربه 2
00:15:22
-
فصل چهارم - بینایی ماشین پیشرفته با الگوریتم YOLO
00:08:53
-
آشنایی با الگوریتم YOLO
00:06:49
-
مروری بر تقسیم بندی انواع مسائل در بینایی کامپیوتر
00:07:06
-
نصب YOLOv8
00:09:09
-
پیاده سازی مثال تشخیص اشیاء به وسیله الگوریتم YOLO
00:10:16
-
پیاده سازی مثال بخش بندی تصویر به وسیله الگوریتم YOLO
00:04:43
-
پیاده سازی مثال Classification و Pose Estimation به وسیله YOLO
00:06:17
-
پیاده سازی مثال تعقیب اشیاء به وسیله الگوریتم YOLO
00:08:03
-
لیبل گذاری دیتاست شخصی با استفاده از LabelImg
00:17:27
-
آماده سازی دیتاست شخصی
00:12:40
-
آموزش (Train) مدل YOLO با استفاده از دیتاست شخصی
00:16:16
-
ارزیابی عملکرد مدل YOLO
00:13:57
-
استخراج فرمت های مختلف مدل YOLO آموزش دیده
00:09:22
-
فصل پنجم - معرفی و حل مثال سایر الگوریتم های بینایی ماشین
رایگان
00:06:29
-
تاریخچه ای از شبکه های عصبی پیچشی معروف
00:05:29
-
شبکه عصبی LeNet
00:04:06
-
شبکه عصبی AlexNet
00:02:44
-
شبکه عصبی VGGNet
00:04:14
-
شبکه عصبی ResNets
00:06:10
-
شبکه عصبی DenseNet
00:03:51
-
پیاده سازی شبکه عصبی LeNet در کتابخانه Keras
00:12:48
-
پیاده سازی شبکه عصبی AlexNet در کتابخانه Keras
00:06:56
-
استفاده از مدل های Pre-trained شبکه عصبی CNN در کتابخانه Keras
00:19:27
-
بروزرسانی - معرفی YOLOv10 و اجرا در فرمت Real-Time
رایگان
00:16:31
-
بروزرسانی - آشنایی با RoboFlow و مدیریت پروژه های بینایی کامپیوتر
00:15:08
-
بروزرسانی - معرفی یولو 11 و 12
00:09:43
-
کار با کیبورد در طراحی نرم افزار با OpenCV
00:43:48
-
کار با موس در طراحی نرم افزار با OpenCV
00:28:35
-
کار با تابع ROI در OpenCV
00:08:04
