Guida alle Architetture di Classificazione delle Immagini

Selezionare l'architettura di rete neurale giusta è fondamentale per costruire applicazioni di computer vision di successo, tuttavia la vasta gamma di opzioni può essere opprimente. Questo corso testuale ti guida attraverso l'evoluzione dei modelli di classificazione delle immagini, aiutandoti a capire come le classiche reti convoluzionali abbiano aperto la strada alle moderne architetture efficienti e ai Vision Transformer. Acquisirai il quadro concettuale necessario per valutare, selezionare e applicare il modello ideale per i vincoli specifici del tuo progetto. Cosa imparerai: - Comprendere i concetti fondamentali del deep learning e la terminologia chiave della classificazione delle immagini. - Tracciare l'evoluzione delle classiche reti neurali convoluzionali da AlexNet a ResNet. - Analizzare architetture leggere come MobileNet ed EfficientNet progettate per ambienti con risorse limitate. - Esplorare i fondamenti dei moderni Vision Transformer e come si confrontano con le CNN tradizionali. - Valutare i compromessi dei modelli che coinvolgono dimensioni dei parametri, latenza computazionale e accuratezza. - Applicare strategie di transfer learning per adattare modelli pre-addestrati a dataset personalizzati. Il viaggio inizia con la terminologia essenziale e i blocchi fondamentali del computer vision prima di esplorare le scoperte storiche, i moderni design focalizzati sull'efficienza e i modelli transformer all'avanguardia. Imparerai a prendere decisioni informate e basate sui dati quando distribuisci sistemi di classificazione. Questo corso è pensato per principianti nel machine learning e nel computer vision che desiderano costruire una solida base concettuale senza la necessità di prerequisiti matematici avanzati. Inizia a leggere per padroneggiare le architetture che alimentano il moderno computer vision.