Учим Нейронные Сети за 1 час! | Python Tensorflow & PyTorch YOLO | Хауди Хо | Дзен

DZEN · 29.11.2025 08:07

Ключевые темы и таймкоды

Введение в нейронные сети

0:00

Обучение основам и продвинутым техникам работы с нейронными сетями за один час.
Нейросети захватывают мир, но пока только в переносном смысле.
Искусственная нейронная сеть ИНС — это математическая модель, обучающаяся и находящая взаимосвязи между данными.

Применение нейросетей

0:56

Нейросети используются для распознавания объектов и классификации изображений.
Примеры применения: системы видеонаблюдения, машины Tesla.
В будущем нейросети могут стать основой для создания терминаторов.

Инструменты для работы с нейросетями

2:48

Необходимы базовые знания языка Python и один час на просмотр урока.
Использование Google Colab и Jupyter Notebook для работы с нейросетями.
Google Colab позволяет запускать код в браузере и делиться им с друзьями.

Преимущества Google Colab

4:03

Google Colab используется для обучения нейросетей и запуска кода в браузере.
Платформа предоставляет мощные ресурсы CPU, GPU и TPU.
Jupyter Notebook — среда разработки в браузере для работы с Python-кодом.

Важность языка Python

6:52

Нейросети работают на языке Python, который удобен и быстр в написании кода.
Python используется для создания ботов, сайтов и программ.
Изучение Python можно осуществить самостоятельно или на курсах.

Курсы по Python

7:51

Курсы по Python для веб-разработки предлагают обучение на реальных проектах.
Курсы включают изучение Java, Django и Linux.
Карьерный центр помогает с трудоустройством и обучением на фрилансе.

Классификация изображений

11:04

Классификация изображений — одна из простейших задач для нейросетей.
Пример: распознавание цветов по их изображениям.
Создание датасета: фотографии цветов с их названиями.

Сбор данных для датасета

12:02

Можно фотографировать цветы самостоятельно или искать фотографии в интернете.
Важно иметь достаточное количество изображений для каждого вида цветов.

Использование готового датасета

12:57

Третий вариант - использование готового датасета из интернета.
Пример датасета для классификации изображений цветов.
Важно качество датасета, а не только его размер.

Установка Python и TensorFlow

13:53

Установка Python и TensorFlow через Google Colab.
Установка TensorFlow вручную через Docker.
Установка через Anaconda, но с ограничениями.

Создание и загрузка датасета

16:39

Создание пустого Python-скрипта для обучения.
Импорт необходимых модулей и загрузка датасета.
Использование утилиты get_file для загрузки датасета.

Создание тренировочного и валидационного датасетов

18:35

Создание тренировочного и валидационного датасетов по правилу 80/20.
Кэширование данных перед обучением.
Разметка структуры модели и компиляция модели.

Обучение нейронной сети

20:23

Указание количества эпох обучения и вызов метода fit.
Использование библиотеки matplotlib для вывода графиков точности и потерь.
Важность параметра batch_size и его влияние на точность и скорость обучения.

Анализ результатов обучения

23:09

Анализ графиков точности и потерь после обучения.
Проблема переобучения и её последствия.
Важность правильного выбора параметров для обучения.

Проблема переобучения

25:58

Тренировочный лос падает, валидационный лос растет.
Нейросеть начинает точно распознавать тренировочный датасет, но плохо валидационный.
Это называется переобучением, и с ним сталкиваются все программисты.

Методы борьбы с переобучением

26:53

Увеличение датасета через поиск новых фотографий или аугментацию данных.
Регуляризация для повышения точности модели и уменьшения отклонений.
Снижение количества параметров и уменьшение количества эпох для улучшения обобщения.

Аугментация данных

27:47

Аугментация позволяет раздуть датасет, манипулируя изображениями.
Примеры манипуляций: поворот, отражение, искажение.
В коде это выглядит как добавление аугментации как слоя при создании модели.

Результаты аугментации

28:38

Увеличение датасета до 15-20 тысяч изображений.
Добавление аугментации и регуляризации улучшает обобщение модели.
Пример кода для добавления аугментации и регуляризации.

Сохранение и инференс модели

29:38

Сохранение модели с помощью метода сейф или чек-поинтов.
Инференс на новом изображении с использованием метода лод уэйтс и эволюэт.
Пример кода для инференса на изображении подсолнуха.

Работа с моделью YOLO

32:30

YOLO - это реализация стейт-оф-арт документа для распознавания объектов.
YOLO 8 - последняя и самая быстрая модель для распознавания объектов в реальном времени.
Установка YOLO 8 через анаконду или докер-контейнер.

Установка и настройка YOLO

35:25

Установка через анаконду для удобства на Windows.
Проверка доступности GPU в пай-торче.
Обновление пай-торча для работы с GPU.

Обучение и инференс YOLO

37:14

Обучение нейросети и инференс на примере классификации цветов.
Объяснение трансферного обучения и его применения.
Переход к задаче распознавания объектов.

Трансферное обучение в YOLO

38:08

YOLO использует трансферное обучение для адаптации готовых моделей под новые задачи.
В YOLO 8 есть четыре типа задач: классификация, сегментирование, обнаружение и детекция.
Каждая задача имеет пять моделей с разной точностью и скоростью инференса.

Подготовка датасета для YOLO

39:04

Для классификации цветов используется модель YOLO 8.
Датасет должен быть разделен на тренировочную и тестовую части.
Для этого можно использовать скрипт или модуль PyLabel.

Обучение нейросети с помощью YOLO

40:58

YOLO имеет удобную утилиту для обучения нейросети.
Команда для обучения: yolo-task classify train model.
Процесс обучения занимает несколько минут и создает папку с результатами.

Инференс и обнаружение объектов

41:56

Для инференса используется команда yolo-task predict model.
Обнаружение объектов на фотографиях требует разметки датасета.
Разметка может быть полуавтоматической, что ускоряет процесс.

Заключение и рекомендации

46:32

Изучены основы работы с TensorFlow и PyTorch.
Понимание работы YOLO и других нейросетей.
Рекомендации по углублению в тему и переходу на Linux.
Призыв к подписке и лайкам для продвижения видео.