自強課程
課程名稱
【假日線上班】PyTorch深度學習YOLO物件偵測模型進階實作(從YOLOv1-v10)
熱烈招生中
全線上
📢早安鳥方案:會員於12/1前(含)報名,可享超值優惠價8500元(記得加入會員才能享早鳥方案喔)
📣舊生續報優惠:凡曾上過林哲聰老師Pytorch系列課程,即可再折500元💥~煩請來電或來信告知!!
📣舊生續報優惠:凡曾上過林哲聰老師Pytorch系列課程,即可再折500元💥~煩請來電或來信告知!!
每位學員必須有自己的Google 帳號以在Colab進行實作
課程代碼:
13C355
上課時間:
113/12/28、114/1/4,星期六,09:00-16:00,共二週12小時。
※敬請留意:課程日期原定11/2(六)開課,因故已異動至12/28(六)開課。
※敬請留意:課程日期原定11/2(六)開課,因故已異動至12/28(六)開課。
上課時數:
12 小時
上課地點:
網路線上
課程費用:
9500元
(符合超值優惠價格者需送出報名表後,系統發出報名成功回函確認金額。)
超值優惠:
- VIP企業會員價:VIP企業會員可享優惠價格 (按我)
- 會員優惠價: 會員於開課前七天完成報名繳費者可享會員優惠價 9000 元
- 團報價方案:會員2人同行,可享同行價 8500 元(須於課前告知)
- 會員紅利折抵:本課程歡迎使用紅利折抵,最高可使用 100 點
課程目標:
協助具Python程式語言以及PyTorch基礎之學員學會進階PyTorch深度學習物件偵測模型開發。
學會將這樣的模型運用在自駕車或是各種AIOT的應用中。
學會將這樣的模型運用在自駕車或是各種AIOT的應用中。
課程特色:
在各種深度學習模型中,應用最廣泛的就是所謂的物件偵測模型,而物件偵測模型最受歡迎的就是YOLO的各種衍生版本,從2015年YOLOv1橫空出世以來,大部份即時物件偵測系統都是應用YOLO,其原因在於 YOLO一直在辨識率以及速度上得到了很好的平衡,之後的YOLOv2-v5,甚至2022年的YOLOv7, 2023年的YOLOv8以及2024年的YOLOv9與YOLOv10都持續的在這兩個最重要的指標上突破。
每一代YOLO除了速度與辨識率的差異外,還有什麼呢?你知道YOLOv1無法偵測重心在同一個grid cell的不同類物體,但YOLOv2可以嗎?你知道YOLOv3可以實現單一物體多類別的偵測與辨識嗎?你知道YOLOv4使用了那些trick使得mAP提升了那麼多嗎?你知道YOLOX的decoupled head對辨識率的影響有多大嗎?你知道在MSCOCO這個資料集,如果將輸入影像的解析度限制在640x640,其實YOLOv4的辨識率比YOLOv5與YOLOX高嗎?那YOLOv5與YOLOX的優勢在什麼地方?你知道YOLOv7就辨識率來說並沒有達到史上最高,但卻達到辨識率與及速度的最佳平衡, 你知道YOLOv8基於YOLOv5並借鑑YOLOv7中的哪些設計思維因而能再一次的提升辨識率嗎? 你知道YOLOv9是如何透過可程式化梯度訊息(programmable gradient information,PGI)的概念,來對網路實現多個目標所需要的各種變化,從而獲得可靠的梯度訊息來更新網路權重嗎?你知道YOLOv10是如何避免物件偵測系統常見的Non-Maximal Suppression (NMS)來降低運算量的嗎?本課程內容在於以上九代YOLO模型的理論介紹與實作,實作內容包括了如何修改這些模型使其能在客制化的資料集上完成訓練。此外,本課程最重要的內容還包括了如何運用超參數最佳化函式庫,在物件偵測模型訓練的效能不如預期,但手動調整超參數,效能提升也有限的情形下,自動化的調整超參數,以顯著提升辨識率。
經過本次課程的洗禮,您將學會:
(1) 以上十個YOLO模型各有什麼優缺點,以及如何針對自己的應用選擇一個最佳的模型,例如自駕車或是室內監控系統,
(2)如何運用一個物件偵測模型解決特定問題,
(3)在訓練效果不佳時,如何有系統的調整超參數以提升辨識率。
本課程所有的程式都使用PyTorch在Colab此雲端平台上開發,實作範例包含資料集以及程式碼都會提供,本次課程的內容包括了:
1.深度學習各種資料集簡介,辨識率定義以及辨識率計算實作
2.YOLOv1原理以及實作(使用Pascal VOC dataset實作與口罩資料集)
3.YOLOv2原理以及實作(使用Pascal VOC dataset實作)
4.YOLOv3原理以及實作(使用Carsim dataset)
5.YOLOv4原理以及實作(使用BCCD dataset)
6.YOLOv4超參數最佳化(使用Optuna最佳化在 BCCD dataset上的辨識率)
7.YOLOv5原理以及實作(使用 COCO128 dataset)
8.YOLOX原理以及實作(使用 COCO128 dataset與口罩資料集)
9.YOLOv7原理以及實作(使用口罩資料集與VisDrone資料集)
10.YOLOv8原理以及實作(使用口罩資料集與VisDrone資料集)
11.YOLOv9原理以及實作(使用口罩資料集與VisDrone資料集)
12.YOLOv10原理以及實作(使用口罩資料集與VisDrone資料集)
每一代YOLO除了速度與辨識率的差異外,還有什麼呢?你知道YOLOv1無法偵測重心在同一個grid cell的不同類物體,但YOLOv2可以嗎?你知道YOLOv3可以實現單一物體多類別的偵測與辨識嗎?你知道YOLOv4使用了那些trick使得mAP提升了那麼多嗎?你知道YOLOX的decoupled head對辨識率的影響有多大嗎?你知道在MSCOCO這個資料集,如果將輸入影像的解析度限制在640x640,其實YOLOv4的辨識率比YOLOv5與YOLOX高嗎?那YOLOv5與YOLOX的優勢在什麼地方?你知道YOLOv7就辨識率來說並沒有達到史上最高,但卻達到辨識率與及速度的最佳平衡, 你知道YOLOv8基於YOLOv5並借鑑YOLOv7中的哪些設計思維因而能再一次的提升辨識率嗎? 你知道YOLOv9是如何透過可程式化梯度訊息(programmable gradient information,PGI)的概念,來對網路實現多個目標所需要的各種變化,從而獲得可靠的梯度訊息來更新網路權重嗎?你知道YOLOv10是如何避免物件偵測系統常見的Non-Maximal Suppression (NMS)來降低運算量的嗎?本課程內容在於以上九代YOLO模型的理論介紹與實作,實作內容包括了如何修改這些模型使其能在客制化的資料集上完成訓練。此外,本課程最重要的內容還包括了如何運用超參數最佳化函式庫,在物件偵測模型訓練的效能不如預期,但手動調整超參數,效能提升也有限的情形下,自動化的調整超參數,以顯著提升辨識率。
經過本次課程的洗禮,您將學會:
(1) 以上十個YOLO模型各有什麼優缺點,以及如何針對自己的應用選擇一個最佳的模型,例如自駕車或是室內監控系統,
(2)如何運用一個物件偵測模型解決特定問題,
(3)在訓練效果不佳時,如何有系統的調整超參數以提升辨識率。
本課程所有的程式都使用PyTorch在Colab此雲端平台上開發,實作範例包含資料集以及程式碼都會提供,本次課程的內容包括了:
1.深度學習各種資料集簡介,辨識率定義以及辨識率計算實作
2.YOLOv1原理以及實作(使用Pascal VOC dataset實作與口罩資料集)
3.YOLOv2原理以及實作(使用Pascal VOC dataset實作)
4.YOLOv3原理以及實作(使用Carsim dataset)
5.YOLOv4原理以及實作(使用BCCD dataset)
6.YOLOv4超參數最佳化(使用Optuna最佳化在 BCCD dataset上的辨識率)
7.YOLOv5原理以及實作(使用 COCO128 dataset)
8.YOLOX原理以及實作(使用 COCO128 dataset與口罩資料集)
9.YOLOv7原理以及實作(使用口罩資料集與VisDrone資料集)
10.YOLOv8原理以及實作(使用口罩資料集與VisDrone資料集)
11.YOLOv9原理以及實作(使用口罩資料集與VisDrone資料集)
12.YOLOv10原理以及實作(使用口罩資料集與VisDrone資料集)
修課條件:
瞭解深度學習基本原理、具備基礎Python以及PyTorch程式開發經驗。
課程大綱:
1.YOLOv1原理以及實作(使用Pascal VOC dataset與face mask dataset實作)
2.YOLOv2原理以及實作(使用Pascal VOC dataset實作)
3.YOLOv3原理以及實作(使用Carsim dataset實作multi-label detection)
4.YOLOv4原理以及實作(使用BCCD dataset)
5.YOLOv5原理以及實作(使用 COCO128 dataset)
6.YOLOX原理以及實作(使用face mask dataset, BCCD dataset 以及 COCO128 dataset, )
7.YOLOv7原理以及實作(使用face mask dataset以及 VisDrone資料集)
8.YOLOv8原理以及實作(使用face mask dataset以及 VisDrone資料集)
9.YOLO-v9原理以及實作 (使用face mask dataset以及 VisDrone資料集)
10.YOLO-v10原理以及實作 (使用face mask dataset以及 VisDrone資料集)
2.YOLOv2原理以及實作(使用Pascal VOC dataset實作)
3.YOLOv3原理以及實作(使用Carsim dataset實作multi-label detection)
4.YOLOv4原理以及實作(使用BCCD dataset)
5.YOLOv5原理以及實作(使用 COCO128 dataset)
6.YOLOX原理以及實作(使用face mask dataset, BCCD dataset 以及 COCO128 dataset, )
7.YOLOv7原理以及實作(使用face mask dataset以及 VisDrone資料集)
8.YOLOv8原理以及實作(使用face mask dataset以及 VisDrone資料集)
9.YOLO-v9原理以及實作 (使用face mask dataset以及 VisDrone資料集)
10.YOLO-v10原理以及實作 (使用face mask dataset以及 VisDrone資料集)
課程師資:
自強基金會 林老師
現任瑞典Chalmers University of Technology博士後研究員
經歷
▻ 工研院機械所副研究員/研究員/資深研究員
▻ 馬來西亞偉特科技公司(ViTrox)研發顧問
▻ 馬來西亞10 EPOCH科技公司研發顧問
▻ 加州大學聖塔芭芭拉分校資工系訪問研究員
專長
電腦視覺、機器學習、深度學習及其在駕駛輔助系統以及自駕車之各種應用
現任瑞典Chalmers University of Technology博士後研究員
經歷
▻ 工研院機械所副研究員/研究員/資深研究員
▻ 馬來西亞偉特科技公司(ViTrox)研發顧問
▻ 馬來西亞10 EPOCH科技公司研發顧問
▻ 加州大學聖塔芭芭拉分校資工系訪問研究員
專長
電腦視覺、機器學習、深度學習及其在駕駛輔助系統以及自駕車之各種應用
主辦單位:
財團法人自強工業科學基金會
相關課程:
Pytorch系列課程:
13C354【平日線上班】PyTorch深度學習模型實作(Lab) (12/23開班)
13C354-1【平日實體班】PyTorch深度學習模型實作(Lab) (12/23開班)
13C355【假日線上班】PyTorch深度學習YOLO物件偵測模型進階實作(從YOLOv1-v10) (12/28開班)
13C355-1【假日實體班】PyTorch深度學習YOLO物件偵測模型進階實作(從YOLOv1-v10) (12/28開班)
13C356【平日線上班】PyTorch深度學習生成模型實作:從GAN到Stable Diffusion(114/1/6開班)
13C356-1【平日實體班】PyTorch深度學習生成模型實作:從GAN到Stable Diffusion(114/1/6開班)
13C360【平日線上班】PyTorch人臉辨識模型實作(114/1/9開班)
13C360-1【平日實體班】PyTorch人臉辨識模型實作(114/1/9開班)
13C354【平日線上班】PyTorch深度學習模型實作(Lab) (12/23開班)
13C354-1【平日實體班】PyTorch深度學習模型實作(Lab) (12/23開班)
13C355【假日線上班】PyTorch深度學習YOLO物件偵測模型進階實作(從YOLOv1-v10) (12/28開班)
13C355-1【假日實體班】PyTorch深度學習YOLO物件偵測模型進階實作(從YOLOv1-v10) (12/28開班)
13C356【平日線上班】PyTorch深度學習生成模型實作:從GAN到Stable Diffusion(114/1/6開班)
13C356-1【平日實體班】PyTorch深度學習生成模型實作:從GAN到Stable Diffusion(114/1/6開班)
13C360【平日線上班】PyTorch人臉辨識模型實作(114/1/9開班)
13C360-1【平日實體班】PyTorch人臉辨識模型實作(114/1/9開班)
學員須知:
注意事項