Introdução ao Desenvolvimento de Aplicações Web de Inteligência Artificial Python x Flask x Pytorch em 7 Etapas

Implementar Aplicativo de Reconhecimento de Imagem com ViT (Vision Transformer)

Este curso é um tutorial prático onde você aprenderá a criar um aplicativo web de reconhecimento de imagem baseado em inteligência artificial, trabalhando realmente nele. Começando pela configuração do ambiente (Miniconda/VSCode), você ganhará experiência na construção de aplicações web (Python/Flask/JINJIA2/HTML/CSS/JQuery/JS/BootStrap) e no desenvolvimento de inteligência artificial para reconhecimento de imagem (JupyterNotebook/pytorch/ViT/torchvision/pillow). O curso foi projetado para fornecer as habilidades necessárias para criar aplicações web de inteligência artificial de ponta que você pode ter em suas mãos. Com essas habilidades, você pode até lançar seu próprio serviço de inteligência artificial no Japão. O reconhecimento de imagem usando aprendizado profundo, especialmente no campo da inteligência artificial, tem avançado rapidamente. A CNN (Rede Neural Convolucional), que venceu a competição internacional de reconhecimento de imagem ILSVRC em 2012 por uma grande margem, recebeu grande reconhecimento. Até 2020, modelos treinados empilhando camadas de CNN de 100 ou mais eram considerados ótimos. No entanto, em 2021, um artigo intitulado UMA IMAGEM VALE 16 x 16 PALAVRAS: TRANSFORMERS PARA RECONHECIMENTO DE IMAGEM EM ESCALA apresentado na conferência internacional ICLR2021 relatou a conquista do SOTA (State Of The Art) que supera a precisão de reconhecimento de imagem da CNN usando apenas transformers, que é a base do modelo de pré-treinamento altamente preciso BERT que abalou a comunidade de processamento de linguagem natural. No futuro, implementar aplicações web de inteligência artificial usando ViT (Vision Transformer), que provavelmente se tornará o padrão de fato, pode parecer difícil a menos que você seja um programador extremamente habilidoso. No entanto, é surpreendentemente fácil. Utilizando bibliotecas de código aberto como Python e JQuery, você pode implementar um aplicativo web de reconhecimento de imagem ViT em apenas 2,0 horas, incluindo a configuração do ambiente. Um engenheiro de aprendizado de máquina atual e experiente irá guiá-lo, então sinta-se à vontade para fazer qualquer pergunta. Bem-vindo ao mundo do desenvolvimento web e ao mundo do ViT.

Esboço do Curso

Etapa 1: Configurando o Ambiente de Desenvolvimento (Miniconda/VSCode)

Etapa 2: Fundamentos do Flask (jinja2)

Etapa 3: Carregador de Imagens JQuery/HTML

Etapa 4: Aprendendo Pré-processamento de Imagens torchvision/pillow/ViT (Vision Transformer) com Jupyter Notebook

Etapa 5: Chamando ViT (Vision Transformer) a partir de Flask/Jinjia2

Etapa 6: Melhoria da Interface do Usuário com BootStrap/CSS

Etapa 7: Toques Finais com FileAPI

O Que Você Vai Aprender

• Desenvolvimento de aplicações web usando Vision Transformer
• Construção de aplicações web com Flask
• Criação de aplicações de aprendizado de máquina com Python
• Uso do Jupyter Notebook no VSCode
• Implementação de reconhecimento de imagem com Vision Transformer
• Implementação de front-end usando HTML/CSS/JQuery/Bootstrap
• Configuração do ambiente Miniconda