فقط یک هفته تا شروع هیجان های یادگیری و ساختن همه چیز در segmentation از صفر تا صد. ⏰
 
می‌دونستید خیلی از پروژه‌های بینایی ماشین به یک DataLoader سفارشی نیاز دارن؟
🎯توی ورکشاپ «بخش‌بندی تصاویر» یاد می‌گیریم از صفر یک DataLoader بنویسیم که نه‌تنها برای Segmentation، بلکه برای Classification، Detection و حتی Generation کاربرد داره.

📂 داده‌های پروژه شما هر شکلی باشه — از ماسک‌های صفر و یک گرفته تا چندکلاسه، یا حتی فایل‌های JSON و فرمت‌های خاص — ما در این کارگاه یاد می‌گیریم چطور همه رو بخونیم و وارد چرخه آموزش کنیم.
✅ ماسک باینری (0/1)
✅ ماسک چندکلاسه (0,1,2,3,...)
✅ فرمت‌های JSON، CSV و تصاویر مختلف (PNG, JPG, TIFF)

💡 هدف ما اینه که بعد از کارگاه، هیچ دیتایی براتون «غریبه» نباشه!


📅تاریخ شروع : 28 و 29 مرداد از ساعت 9 صبح تا ۱۲ ظهر
💰 هزینه دوره: ۷۰۰,۰۰۰ تومان

برای ثبت‌نام و اطلاعات بیشتر، از طریق لینک زیر اقدام کنید:
📝 https://forms.gle/G1sNKZkLXCEP911L6

و یا از طریق تلگرام با ما در ارتباط باشید:
📱 https://news.1rj.ru/str/savisionai

وب سایت ما:
🌐 https://faraai.ir

لینک پوستر ورک شاپ:
🏷️ Poster

📚 سرفصل‌های کارگاه تخصصی بخش‌بندی تصاویر (Image Segmentation)

🔹 درک مفاهیم پایه‌ای Segmentation
چطور ماشین‌ها «می‌بینند»؟ از منطق ناحیه‌ای تا معنی‌دادن به پیکسل‌ها.

🔹 روش‌های یادگیری عمیق
کدنویسی کامل معماری‌های معروف: U-Net، DeepLabv3+، RetiFluidNet و چند مدل دیگر.

🔹 تکنیک‌های پیشرفته
Attention Mechanisms، Deep Supervision.

🔹 توابع هزینه (Loss Functions)
Cross-Entropy، Dice Loss، Focal Loss و طراحی ترکیبی Lossها.

🔹 معیارهای ارزیابی (Evaluation Metrics)
IoU، Dice Coefficient و متریک‌های تخصصی دیگر.

🔹 DataLoader کاملاً سفارشی
از ماسک باینری و چندکلاسه تا فرمت‌های JSON، CSV و انواع تصاویر.

🔹 Pipeline کامل آموزش
Data Augmentation، طراحی Training Loop، بهینه‌سازی مدل و مدیریت وزن‌ها.

🔹 پروژه واقعی از صفر تا اجرا
Car Damage Segmentation، OCT image segmentation

💡 تمام مراحل کاملاً با کدنویسی دستی انجام می‌شود — هیچ ابزار آماده یا مدل پیش‌آموزش‌دیده‌ای استفاده نخواهیم کرد.

۶ روز تا حرفه ای انتخاب کردن لاس ها توی ورک شاپ! ⏰
بیشتر تازه‌کارها فقط یک Loss Function می‌زنن و دعا می‌کنن جواب بده 🙏
ولی حرفه‌ای‌ها می‌دونن که جادو توی انتخاب و ترکیب Lossهاست! 🧠⚡
در این کارگاه یاد می‌گیریم:
⚡ Cross-Entropy — انتخاب کلاسیک وقتی داده‌ها بالانس هست.
⚡ Dice Loss — ناجی دیتای نامتوازن!
⚡ Focal Loss — تمرکز لیزری روی کلاس‌های کوچک و سخت.
💥 و بخش فوق‌سری:
🎯 LOSS عمیق — به مدل می‌گیم "فقط آخر کارت مهم نیست، وسط راه هم باید خوب باشی!" 🤯
این یعنی به جای یک خروجی نهایی، خروجی‌های میانی رو هم آموزش می‌دیم؛ نتیجه؟
مدلی که از اولین لایه تا آخرین لایه، همه جا باهوش‌تره.
🎯 ساخت ترکیب افسانه‌ای: مثل LOSS = CE * 0.4 + DICE * 0.6 یا حتی ترکیب ۳ Loss مختلف برای رسیدن به دقت‌های فضایی 🚀
🔍 بعد از این بخش، نه‌تنها می‌دونی کدوم Loss رو کجا بزنی، بلکه می‌تونی برای هر پروژه یک فرمول اختصاصی بسازی که دقیقاً با داده و هدف‌ت هماهنگ باشه.

📅 تاریخ شروع: ۲۸ و ۲۹ مرداد، ساعت ۹ صبح تا ۱۲ ظهر
💰 هزینه دوره: ۷۰۰,۰۰۰ تومان

آماده ای که ۵ روز آینده توی ورک شاپمون خیلی لجندری بشی و توی چاله های خطرات پنهان Segmentation نیافتی؟ 🪖

۶ تله پنهان که پروژه‌های Segmentation رو بی‌سر و صدا نابود می‌کنن ⚠️

این اشتباهات معمولاً از جنس «اشتباهات تازه‌کارها» نیستن…
بلکه همون‌هایی هستن که حتی تیم‌های حرفه‌ای هم بعضی وقت‌ها اسیرش میشن، و نتیجه؟ مدل با ظاهر شیک ولی عملکرد فاجعه!

1️⃣ ماسک رو مثل تصویر RGB پردازش کردن.
2️⃣ اختلاف پنهان بین ابعاد تصویر و ماسک
3️⃣ نرمال‌سازی اشتباه ماسک‌ها.
4️⃣ بایاس ناشی از ترتیب دیتاست !
5️⃣ نادیده گرفتن Class Imbalance شدید
6️⃣ ریسایز اشتباه ماسک‌ها

💡 توی کارگاه، این تله‌ها رو با مثال واقعی و کدنویسی مرحله‌به‌مرحله باز می‌کنیم، تا بعدش دیگه هیچ دیتایی غریبه نباشه و هیچ اشتباهی بی‌خبر ازت رد نشه.

📅 تاریخ شروع: ۲۸ و ۲۹ مرداد، ساعت ۹ صبح تا ۱۲ ظهر
💰 هزینه دوره: ۷۰۰,۰۰۰ تومان

برای ثبت‌نام و اطلاعات بیشتر، از طریق لینک زیر اقدام کنید:
📝 https://forms.gle/G1sNKZkLXCEP911L6

و یا از طریق تلگرام با ما در ارتباط باشید:
📱 https://news.1rj.ru/str/savisionai

وب سایت ما:
🌐 https://faraai.ir

چندکلاسه یا چند لیبله؟ میدونی اصلا فرقشون جیه؟
🔴خیلی از پروژه‌های بینایی ماشین به خاطر همین اشتباه ساده ولی مهم، خروجی افتضاح می‌گیرن.
📌 سگمنت های چند کلاسه
هر پیکسل فقط به یک کلاس تعلق داره.
مثال: سگ 🐶، گربه 🐱، پس‌زمینه.
🎯 لاس معمول: CrossEntropyLoss
📌سگمنت های چند لیبله
یک پیکسل می‌تونه همزمان چند کلاس داشته باشه.
مثال: در تصاویر پزشکی، یک نقطه می‌تونه هم «بافت خاص» باشه هم «ناحیه بیماری».
🎯 لاس معمول: BCEWithLogitsLoss یا DiceLoss برای هر کانال
⚠️ اشتباه رایج:
دیتای multi-label رو مثل multi-class به مدل میدی و انتظار داری درست کار کنه. نتیجه؟
❌ یادگیری ناقص
❌ خروجی قاطی پاتی
💡 توی ورکشاپ «بخش‌بندی تصاویر»، دقیق یاد می‌گیری چه زمانی از کدوم استفاده کنی.

📅 تاریخ شروع: ۲۸ و ۲۹ مرداد، ساعت ۹ صبح تا ۱۲ ظهر
💰 هزینه دوره: ۷۰۰,۰۰۰ تومان
برای ثبت‌نام و اطلاعات بیشتر، از طریق لینک زیر اقدام کنید:
📝 https://forms.gle/G1sNKZkLXCEP911L6

و یا از طریق تلگرام با ما در ارتباط باشید:
📱 https://news.1rj.ru/str/savisionai

وب سایت ما:
🌐 https://faraai.ir

لینک کانال ورکشاپ:
🏷️ https://news.1rj.ru/str/SAVISION_AI

سلام عرض ادب احترام خدمت همراهان ورک شاپ.

برای دریافت لینک کلاس برای این ایدی پیام بزارید ممنون
@savisionai