Stepik О курсе
Подробнее
Работа с изображениями всегда интересовала людей. Большое количество информации человек получает именно глазами. А что если воспользоваться чужими, компьютерными глазами? Основная цель курса — пройти путь от зарождения CV до SOTA решений современности.
На курсе мы рассмотрим не только эволюцию моделей во времени, но и классическое компьютерное зрение, которое нередко справляется с задачами не хуже современных глубоких моделей, при этом - с меньшими затратами вычислительных мощностей.
Еще одной изюминкой курса является работа с FFMpeg, GStreamer и другими фреймворками, которые используются «под капотом» в огромном количестве промышленных проектов по Computer Vision.
Требования
Что нужно для старта
- Для успешного освоения курса необходимо знакомство с классическим курсом по глубинному обучению, а также знание фреймворка PyTorch.
Результат
Что вы получите
- В курсе вы изучите как устроены современные модели компьютерного зрения
- Также вы научитесь применять CV-модели в продакшне
- Самостоятельно напишете аналоги широко используемых архитектур компьютерного зрения с помощью фреймворка PyTorch
Аудитория
Для кого этот курс
- Данный курс подойдет тем, кто уже немного знаком с концепцией глубинного обучения и простейших нейронных сетей. Опыт в построении и использовании моделей компьютерного зрения не обязателен.
Содержание
10 занятийПрограмма курса
№ТемаЧто внутри
01О курсе
- О курсе
- Тест по Deep Learning
- Тест по PyTorch
02Классические методы Computer Vision
- Основы обработки изображений: фильтры и свертки
- Операторы градиента: Лаплас, Собель, Канни
- Бинаризация и трешхолдинг (Otsu, адаптивный порог)
- Методы выделения признаков: SIFT и другие
- HOG: гистограммы направленных градиентов
- Поиск и сопоставление ключевых точек
- Преобразование Хафа и обнаружение геометрических фигур
- Пространственные преобразования: аффинные и перспективные
03CNN и первые архитектуры
- Основы сверточных нейронных сетей: ядра, фильтры, пуллинги
- Архитектура LeNet: первые шаги в CV с использованием CNN
- AlexNet: особенности и влияние на развитие глубокого обучения
- VGG: глубокие сети с фиксированными свертками
- ResNet: идея резидуальных связей для решения проблемы исчезающих
- Домашнее задание
04Современные архитектуры CV
- ViT (Vision Transformer): альтернатива CNN
- MobileNet: легковесные модели для мобильных устройств
- EfficientNet и EfficientNetV2: масштабируемость и оптимизация
- Практика: аугментации и MBConv
- Домашнее задание
05Детекция
- Основы задачи детекции и Non-Maximum Suppression
- RCNN: архитектура и эволюция (Fast RCNN, Faster RCNN)
- YOLOv1
- Современные подходы к детекции: YOLO11 и более новые версии
- Детекция на практике
- Домашнее задание
06Сегментация
- Задача сегментации
- U-Net: идея и применение в медицинских изображениях
- Deeplab и его разновидности: адаптация к различным уровням разре
- Mask R-CNN: объединение детекции и сегментации
- Segment Anything Model (SAM): универсальная модель сегментации
- Практика по сегментации
- Домашнее задание (тестирование)
07Трекинг и работа с видеопотоками
- Задача трекинга и оценивание качества трекинга
- Алгоритм трекинга
- Работа с видеопотоками. FFMpeg: чтение, запись, сжатие видео
- Gstreamer: организация сложных видео- и аудиопайплайнов
- Практика: захват видео с камер в реальном времени
- Тест по последнему занятию
08Итоговый проект курса
- Итоговый проект курса
09Дополнительно: библиотека OpenCV
- Установка библиотеки. Загрузка и вывод изображений
10Дополнительно: фреймворк FastAPI
- Аннотации типов в Python
- Практика с FastAPI
- Библиотека Pydantic
01О курсе
- О курсе
- Тест по Deep Learning
- Тест по PyTorch
02Классические методы Computer Vision
- Основы обработки изображений: фильтры и свертки
- Операторы градиента: Лаплас, Собель, Канни
- Бинаризация и трешхолдинг (Otsu, адаптивный порог)
- Методы выделения признаков: SIFT и другие
- HOG: гистограммы направленных градиентов
- Поиск и сопоставление ключевых точек
- Преобразование Хафа и обнаружение геометрических фигур
- Пространственные преобразования: аффинные и перспективные
03CNN и первые архитектуры
- Основы сверточных нейронных сетей: ядра, фильтры, пуллинги
- Архитектура LeNet: первые шаги в CV с использованием CNN
- AlexNet: особенности и влияние на развитие глубокого обучения
- VGG: глубокие сети с фиксированными свертками
- ResNet: идея резидуальных связей для решения проблемы исчезающих
- Домашнее задание
04Современные архитектуры CV
- ViT (Vision Transformer): альтернатива CNN
- MobileNet: легковесные модели для мобильных устройств
- EfficientNet и EfficientNetV2: масштабируемость и оптимизация
- Практика: аугментации и MBConv
- Домашнее задание
05Детекция
- Основы задачи детекции и Non-Maximum Suppression
- RCNN: архитектура и эволюция (Fast RCNN, Faster RCNN)
- YOLOv1
- Современные подходы к детекции: YOLO11 и более новые версии
- Детекция на практике
- Домашнее задание
06Сегментация
- Задача сегментации
- U-Net: идея и применение в медицинских изображениях
- Deeplab и его разновидности: адаптация к различным уровням разре
- Mask R-CNN: объединение детекции и сегментации
- Segment Anything Model (SAM): универсальная модель сегментации
- Практика по сегментации
- Домашнее задание (тестирование)
07Трекинг и работа с видеопотоками
- Задача трекинга и оценивание качества трекинга
- Алгоритм трекинга
- Работа с видеопотоками. FFMpeg: чтение, запись, сжатие видео
- Gstreamer: организация сложных видео- и аудиопайплайнов
- Практика: захват видео с камер в реальном времени
- Тест по последнему занятию
08Итоговый проект курса
- Итоговый проект курса
09Дополнительно: библиотека OpenCV
- Установка библиотеки. Загрузка и вывод изображений
10Дополнительно: фреймворк FastAPI
- Аннотации типов в Python
- Практика с FastAPI
- Библиотека Pydantic
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Современное компьютерное зрение» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 12 августа 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![Deep Learning (семестр 1, осень 2025) [АРХИВ]](https://cdn.stepik.net/media/cache/images/courses/250969/cover_3ghM7i5/aab82cc6ba6ad93120824913eeaab261.jpg)
