Современное компьютерное зрение

Современное компьютерное зрение

ФорматОнлайн

Объём10 занятий

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

Программа курса

10 занятий

№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

03CNN и первые архитектуры

04Современные архитектуры CV

05Детекция

06Сегментация

07Трекинг и работа с видеопотоками

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

Stepik

4.6Нет отзывов

Stepik — образовательная платформа и конструктор онлайн-курсов. Мы разрабатываем алгоритмы адаптивного обучения, сотрудничаем с авторами MOOC, помогаем в проведении олимпиад и программ переподготовки. Наша цель — сделать образование открытым и удобным. Stepik — широко известная российская образовательная платформа, основанная в 2013 году. На Stepik зарегистрировано более миллиона пользователей из России и стран СНГ. В настоящее время на Stepik представлены несколько тысяч учебных курсов на самые разные темы.

Подробнее об авторе

Мнения учеников