Chuyển đến nội dung chính

Trang chủ PyTorch

Khóa học

Deep Learning cho Ảnh với PyTorch

Nâng caoTrình độ kỹ năng

Đã cập nhật tháng 06, 2025

Áp dụng PyTorch vào xử lý hình ảnh và sử dụng các mô hình học sâu để phát hiện đối tượng với khung giới hạn và tạo phân đoạn hình ảnh.

Bắt Đầu Khóa Học Miễn Phí

PyTorchArtificial Intelligence

4 gio

16 video

58 Bài tập

4,700 XP

12,613

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Trong khóa học này, bạn sẽ dùng PyTorch để khám phá phân loại ảnh, nhận dạng đối tượng, phân đoạn ảnh và sinh ảnh. Bạn sẽ làm việc với cả mô hình phân loại ảnh nhị phân và đa lớp, tận dụng các mô hình đã được huấn luyện sẵn cho các tác vụ deep learning, và nắm vững phát hiện đối tượng với bounding box. Bên cạnh đó, bạn sẽ tìm hiểu phân đoạn ảnh, gồm semantic, instance và panoptic, cùng các ứng dụng thực tế. Cuối cùng, bạn sẽ khám phá Generative Adversarial Networks (GANs) và học cách đánh giá chất lượng cũng như độ đa dạng của ảnh được tạo ra.

Điều kiện tiên quyết

Intermediate Deep Learning with PyTorch

1

Phân loại ảnh với CNN

Tìm hiểu về phân loại ảnh với CNN, sự khác biệt giữa mô hình phân loại ảnh nhị phân và đa lớp, và cách dùng transfer learning để phân loại ảnh trong PyTorch.

Phân loại ảnh nhị phân và đa lớp

Số lượng lớp

Mô hình phân loại nhị phân

Mô hình phân loại đa lớp

Các lớp tích chập cho ảnh

RGB, grayscale hay alpha?

Thêm một lớp tích chập mới

Tạo một khối tuần tự

Làm việc với các mô hình đã được huấn luyện sẵn

Lưu và tải một mô hình

Tải mô hình đã được huấn luyện sẵn

Phân loại ảnh với ResNet

Bắt Đầu Chương

2

Nhận dạng đối tượng

Phát hiện đối tượng trong ảnh bằng cách dự đoán các bounding box xung quanh chúng và đánh giá hiệu năng của các mô hình nhận dạng đối tượng.

Hộp giới hạn (bounding box)

Nhận dạng đối tượng

Tensor ảnh

Vẽ một khung giới hạn

Đánh giá mô hình nhận dạng đối tượng

Dự đoán bounding box

Nhận dạng đối tượng bằng R-CNN

Backbone từ mô hình tiền huấn luyện

Khối bộ phân loại

Khối hồi quy hộp (Box regressor)

Đề xuất vùng bằng Faster R-CNN

Bộ tạo anchor

Mô hình Faster R-CNN

Định nghĩa các hàm loss cho RPN và R-CNN

Bắt Đầu Chương

3

Phân đoạn ảnh

Tìm hiểu ba loại phân đoạn ảnh (semantic, instance và panoptic), các ứng dụng của chúng, và các kiến trúc mô hình Machine Learning phù hợp để thực hiện từng loại.

Giới thiệu về phân đoạn ảnh

Các loại phân đoạn ảnh

Tạo mặt nạ nhị phân

Phân đoạn ảnh bằng mặt nạ

Phân đoạn đối tượng (instance) với Mask R-CNN

Phân đoạn với Mask R-CNN đã được huấn luyện sẵn

Phân tích đầu ra của mô hình

Hiển thị soft mask

Phân đoạn ngữ nghĩa với U-Net

Xây dựng U-Net: định nghĩa các tầng

Xây dựng U-Net: phương thức forward

Chạy semantic segmentation

Phân đoạn toàn cảnh (Panoptic segmentation)

Thiết lập semantic masks

Chồng lớp các instance mask

Bắt Đầu Chương

4

Sinh ảnh với GAN

Sinh ra ảnh hoàn toàn mới với Generative Adversarial Networks (GANs). Học cách xây dựng và huấn luyện Deep Convolutional GAN, và cách đánh giá chất lượng cùng mức độ đa dạng của các đầu ra.

Giới thiệu về GANs

Trực giác về GANs

Discriminator

GAN Tích chập Sâu

Generator Tích chập

Bộ phân biệt kiểu tích chập

Huấn luyện GANs

Hàm mất mát của generator

Hàm mất mát của Discriminator

Vòng lặp huấn luyện

Đánh giá GANs

Tạo ảnh

Fréchet Inception Distance

Tổng kết

Bắt Đầu Chương

Deep Learning cho Ảnh với PyTorch

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Deep Learning cho Ảnh với PyTorch ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.