Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Đăng nhập
Xem tất cả kết quả
Menu
Đăng nhập Đăng ký miễn phí

Complete Computer Vision Bootcamp With PyTorch & Tensorflow

Khóa Học Thực Hành Computer Vision Toàn Diện Với PyTorch & Tensorflow

Khóa Học Thực Hành Computer Vision Toàn Diện Với PyTorch & Tensorflow

Học Computer Vision với CNN, TensorFlow và PyTorch — Thành Thạo Nhận Diện Đối Tượng Từ Cơ Bản Đến Nâng Cao

4.5
(977 đánh giá)
8,019 học viên
Giảng viên
Krish Naik
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
79.000đ 349.000đ -77%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
59.5 giờ video
189 bài giảng
2 bài quiz
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 07/06/2026
#Computer Vision #Deep Learning #Pytorch #Tensorflow

Bạn sẽ học được gì

Nắm vững khái niệm CNN từ cơ bản đến nâng cao với TensorFlow & PyTorch.
Học các mô hình nhận diện đối tượng như YOLO và Faster R-CNN.
Triển khai từng bước các dự án computer vision thực tế.
Có kinh nghiệm thực hành với tiền xử lý dữ liệu và tăng cường dữ liệu.
Xây dựng các mô hình CNN tùy chỉnh cho nhiều tác vụ computer vision khác nhau.
Thành thạo transfer learning với các mô hình đã được huấn luyện sẵn như ResNet và VGG.
Có kỹ năng thực tế với các thư viện TensorFlow và PyTorch.

Yêu cầu

Hiểu biết cơ bản về lập trình Python.
Quen thuộc với các khái niệm cơ bản về machine learning.
Có kiến thức về đại số tuyến tính và giải tích cơ bản.
Hiểu về dữ liệu hình ảnh và cấu trúc của nó.
Hứng thú học computer vision qua các dự án thực hành.

Đối tượng phù hợp

Người mới bắt đầu muốn học computer vision từ con số không.
Các nhà khoa học dữ liệu muốn mở rộng kỹ năng với CNN và nhận diện đối tượng.
Các kỹ sư AI và ML muốn xây dựng mô hình computer vision.
Các nhà nghiên cứu và sinh viên khám phá deep learning cho các tác vụ thị giác.
Chuyên gia quan tâm đến việc triển khai các ứng dụng computer vision thực tế.

Nội dung khóa học

12 phần • 189 bài giảng
1 Chào mừng đến với khóa học
2 Lưu ý quan trọng
1 Tài liệu Python đầy đủ
2 Cài đặt Anaconda
3 Bắt đầu với VS Code
4 Python Cơ Bản - Cú pháp và Ngữ nghĩa
5 Biến trong Python
6 Các kiểu dữ liệu cơ bản trong Python
7 Các toán tử trong Python
8 Câu lệnh điều kiện (if, elif, else)
9 Vòng lặp trong Python
10 List và List Comprehension trong Python
11 Ví dụ thực hành về List
12 Tập hợp (Sets) trong Python
13 Từ điển (Dictionaries) trong Python
14 Tuple trong Python
15 Bắt đầu với Hàm (Functions)
16 Thêm ví dụ lập trình với Hàm
17 Hàm Lambda trong Python
18 Hàm Map trong Python
19 Hàm Filter trong Python
20 Import Modules và Package trong Python
21 Tổng quan về Thư viện chuẩn
22 Thao tác với File trong Python
23 Làm việc với Đường dẫn File
24 Xử lý Ngoại lệ (Exception Handling)
25 Lớp và Đối tượng trong Python
26 Kế thừa trong OOPS
27 Đa hình trong OOPS
28 Đóng gói trong OOPS
29 Trừu tượng hóa trong OOPS
30 Các Phương thức Magic trong Python
31 Nạp chồng toán tử trong Python
32 Xử lý Ngoại lệ Tùy chỉnh
33 Trình lặp (Iterators) trong Python
34 Trình tạo (Generators) trong Python
35 Sao chép Hàm, Closure và Decorator
36 Numpy trong Python
37 Pandas - DataFrame và Series
38 Thao tác Dữ liệu với Pandas và Numpy
39 Đọc dữ liệu từ nhiều nguồn khác nhau bằng Pandas
40 Triển khai thực tế Logging trong Python
41 Logging với nhiều Logger
42 Logging với ví dụ thực tế
1 Giới thiệu
2 Tại sao Deep Learning ngày càng phổ biến
1 Trực quan về Perceptron
2 Ưu và nhược điểm của Perceptron
3 Trực quan và cách hoạt động của ANN
4 Lan truyền ngược và Cập nhật Trọng số
5 Quy tắc chuỗi của đạo hàm
6 Vấn đề Gradient biến mất và Hàm Sigmoid
7 Hàm kích hoạt Sigmoid
8 Hàm kích hoạt Sigmoid phần 2
9 Hàm kích hoạt Tanh.
10 Hàm kích hoạt ReLU
11 Leaky ReLU và Parametric ReLU
12 Hàm kích hoạt ELU.
13 Softmax cho bài toán phân loại đa lớp
14 Khi nào nên dùng hàm kích hoạt nào
15 Hàm Loss vs Hàm Cost.
16 Hàm Cost cho Hồi quy.
17 Hàm Loss cho bài toán Phân loại
18 Khi nào nên dùng hàm Loss nào
19 Các Optimizer Gradient Descent.
20 SGD
21 Mini Batch với SGD
22 SGD với Momentum
23 Adagrad
24 RMSprop
25 Optimizer Adam
26 Vấn đề Gradient bùng nổ
27 Kỹ thuật Khởi tạo Trọng số.
28 Lớp Dropout
29 Giới thiệu CNN
30 So sánh Não người và CNN
31 Tất cả những gì bạn cần biết về Hình ảnh
32 Phép tích chập trong CNN
33 Padding trong CNN
34 Hoạt động của CNN vs ANN
35 Max, Min và Average Pooling.
36 Làm phẳng và Lớp kết nối đầy đủ.
37 Ví dụ CNN với ảnh RGB
1 Giới thiệu OpenCV
2 Đọc và Ghi ảnh
3 Làm việc với File video
4 Khám phá Không gian màu
5 Ngưỡng màu (Color Thresholding)
6 Thay đổi kích thước, tỷ lệ và nội suy ảnh
7 Lật, Xoay và Cắt ảnh
8 Hiểu hệ tọa độ trong OpenCV
9 Vẽ đường và hình dạng bằng OpenCV
10 Thêm chữ vào ảnh
11 Biến đổi Affine
12 Bộ lọc ảnh
13 Áp dụng bộ lọc làm mờ: Trung bình, Gaussian, Median
14 Phát hiện biên bằng Sobel, Canny & Laplacian
15 Tính toán và Vẽ biểu đồ Histogram
16 Cân bằng Histogram
17 CLAHE
18 Đường viền (Contours)
19 Phân đoạn ảnh bằng OpenCV
20 Haar Cascade cho phát hiện khuôn mặt
1 Giới thiệu PyTorch
2 Giới thiệu về Tensor
3 Đánh chỉ mục Tensor
4 Dùng số ngẫu nhiên để tạo ảnh nhiễu
5 Tensor toàn số 0 và số 1
6 Các kiểu dữ liệu của Tensor
7 Thao tác với Tensor
8 Tổng hợp Ma trận
9 Thao tác View và Reshape
10 Thao tác Stack
11 Hiểu các thành phần mạng neural trong PyTorch
12 Tạo mô hình Hồi quy Tuyến tính với các thành phần PyTorch
13 Phân loại đa lớp với PyTorch dùng mạng neural tùy chỉnh
14 Hiểu các thành phần của bộ nạp dữ liệu tùy chỉnh trong PyTorch
15 Định nghĩa và sử dụng bộ nạp Dataset ảnh tùy chỉnh
16 Huấn luyện CNN sử dụng Dataset tùy chỉnh.
17 Hiểu các thành phần của một Ứng dụng
18 Triển khai (Deployment) là gì?
19 Công cụ tạo demo tương tác
20 Nền tảng lưu trữ
21 Thiết lập ứng dụng Gradio trên máy cục bộ
22 Triển khai backend suy luận cho ứng dụng Gradio
23 Thiết lập Hugging Face Space
24 Triển khai ứng dụng Gradio trên Hugging Face Space
1 Hiểu ảnh với CNN vs ANN
2 Công cụ giải thích CNN (CNN Explainer)
3 Trực quan hóa với Tensorspace
4 Bộ lọc CNN
5 Xây dựng bộ lọc của riêng bạn
6 Tính toán kích thước Feature Map
7 Tính toán tham số CNN
8 Trường tiếp nhận (Receptive Fields)
1 Phân loại ảnh là gì?
2 Kiến trúc LeNet
3 LeNet với Keras
4 LeNet với PyTorch
5 Kiến trúc AlexNet
6 AlexNet với Keras
7 AlexNet với PyTorch
8 Kiến trúc VGG
9 Transfer Learning vs Mô hình đã huấn luyện sẵn
10 VGG đã huấn luyện sẵn với Keras
11 VGG đã huấn luyện sẵn với PyTorch
12 Transfer Learning với VGG
13 Kiến trúc Inception
14 Inception đã huấn luyện sẵn với Keras
15 Inception đã huấn luyện sẵn với PyTorch
16 Transfer Learning với Inception
17 Kiến trúc ResNet
18 ResNet đã huấn luyện sẵn với Keras
19 ResNet đã huấn luyện sẵn với PyTorch
20 Transfer Learning với ResNet
1 Tăng cường dữ liệu là gì?
2 Tăng cường dữ liệu với Albumentations
3 Tăng cường dữ liệu với Imgaug
1 Nhận diện đối tượng là gì?
2 Các chỉ số đánh giá Nhận diện đối tượng
3 Khung chứa (Bounding Boxes) là gì?
4 Bắt đầu với YOLO
5 Bắt đầu với Detectron2
6 Các kiến trúc Nhận diện đối tượng
7 R-CNN
8 Fast R-CNN
9 Faster R-CNN
10 Faster R-CNN với triển khai PyTorch
11 Nhận diện đối tượng tùy chỉnh với YOLOv11
12 Nhận diện đối tượng tùy chỉnh với Detectron2
1 Giới thiệu về Phân vùng Ảnh
2 Giảm kích thước (Downsampling)
3 Tăng kích thước / Tích chập chuyển vị (Upsampling/Transposed Convolution)
4 Các Hàm Mất mát trong Phân vùng
5 Mạng Tích chập Toàn phần (FCNs)
6 Mạng UNet
7 Triển khai Huấn luyện UNet Tùy chỉnh
8 Mạng Mask R-CNN
9 Huấn luyện Phân vùng Thể hiện với YOLOv11
10 Kiểm tra Phân vùng Thể hiện với YOLOv11
1 Tổng quan Giới thiệu Dự án
2 Tìm hiểu Sâu về Dự án
3 Hướng dẫn Cài đặt
4 Giới thiệu Streamlit
5 Luồng Dự án Cấp cao
6 Hướng dẫn Chi tiết Luồng Giao diện Người dùng
7 Giai đoạn Triển khai 1 - Thiết lập Ứng dụng
8 Giai đoạn Triển khai 2 - Giao diện Tìm kiếm
9 Giai đoạn Triển khai 3 - Hiển thị Kết quả

Giới thiệu khóa học

In this comprehensive course, you will master the fundamentals and advanced concepts of computer vision, focusing on Convolutional Neural Networks (CNN) and object detection models using TensorFlow and PyTorch. This course is designed to equip you with the skills required to build robust computer vision applications from scratch.

What You Will Learn

Throughout this course, you will gain expertise in:

  1. Introduction to Computer Vision

    • Understanding image data and its structure.

    • Exploring pixel values, channels, and color spaces.

    • Learning about OpenCV for image manipulation and preprocessing.

  2. Deep Learning Fundamentals for Computer Vision

    • Introduction to Neural Networks and Deep Learning concepts.

    • Understanding backpropagation and gradient descent.

    • Key concepts like activation functions, loss functions, and optimization techniques.

  3. Convolutional Neural Networks (CNN)

    • Introduction to CNN architecture and its components.

    • Understanding convolution layers, pooling layers, and fully connected layers.

    • Implementing CNN models using TensorFlow and PyTorch.

  4. Data Augmentation and Preprocessing

    • Techniques for improving model performance through data augmentation.

    • Using libraries like imgaug, Albumentations, and TensorFlow Data Pipeline.

  5. Transfer Learning for Computer Vision

    • Utilizing pre-trained models such as ResNet, VGG, and EfficientNet.

    • Fine-tuning and optimizing transfer learning models.

  6. Object Detection Models

    • Exploring object detection algorithms like:

      • YOLO (You Only Look Once)

      • Faster R-CNN

    • Implementing these models with TensorFlow and PyTorch.

  7. Image Segmentation Techniques

    • Understanding semantic and instance segmentation.

    • Implementing U-Net and Mask R-CNN models.

  8. Real-World Projects and Applications

    • Building practical computer vision projects such as:

      • Face detection and recognition system.

      • Real-time object detection with webcam integration.

      • Image classification pipelines with deployment.


Who Should Enroll?

This course is ideal for:

  • Beginners looking to start their computer vision journey.

  • Data scientists and ML engineers wanting to expand their skill set.

  • AI practitioners aiming to master object detection models.

  • Researchers exploring computer vision techniques for academic projects.

  • Professionals seeking practical experience in deploying CV models.

Prerequisites

Before enrolling, ensure you have:

  • Basic knowledge of Python programming.

  • Familiarity with fundamental machine learning concepts.

  • Basic understanding of linear algebra and calculus.

Hands-on Learning with Real Projects

This course emphasizes practical learning through hands-on projects. Each module includes coding exercises, project implementations, and real-world examples to ensure you gain valuable skills.

By the end of this course, you will confidently build, train, and deploy computer vision models using TensorFlow and PyTorch. Whether you are a beginner or an experienced practitioner, this course will empower you with the expertise needed to excel in the field of computer vision.

Enroll now and take your computer vision skills to the next level!

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Computer Vision
Hiển thị tất cả khoá học Deep Learning
Hiển thị tất cả khoá học Pytorch
Hiển thị tất cả khoá học Tensorflow
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊