Plan Szkolenia

Wprowadzenie

Przegląd wstępnie wytrenowanych modeli YOLO Funkcje i architektura

  • Algorytm YOLO
  • Algorytmy oparte na regresji do wykrywania obiektów
  • Czym YOLO różni się od RCNN?

Korzystanie z odpowiedniego wariantu YOLO

  • Cechy i architektura YOLOv1-v2
  • Funkcje i architektura YOLOv3-v4

Instalacja i konfiguracja IDE dla implementacji YOLO

  • Implementacja Darknet
  • Implementacje PyTorch i Keras
  • Wykonywanie OpenCV i NumPy

Przegląd wykrywania obiektów przy użyciu wstępnie wytrenowanych modeli YOLO

Tworzenie i dostosowywanie Python aplikacji wiersza poleceń

  • Etykietowanie obrazów przy użyciu YOLO Framework
  • Klasyfikacja obrazów na podstawie zbioru danych

Wykrywanie obiektów na obrazach za pomocą implementacji YOLO

  • Jak działają ramki ograniczające?
  • Jak dokładne jest YOLO dla segmentacji instancji?
  • Analizowanie argumentów wiersza poleceń

Wyodrębnianie etykiet, współrzędnych i wymiarów klasy YOLO

Wyświetlanie obrazów wynikowych

Wykrywanie obiektów w strumieniach wideo za pomocą implementacji YOLO

  • Czym różni się od podstawowego przetwarzania obrazu?

Szkolenie i testowanie wdrożeń YOLO w oparciu o framework

Rozwiązywanie problemów i debugowanie

Podsumowanie i wnioski

Wymagania

  • Python Doświadczenie w programowaniu w wersji 3.x
  • Podstawowa znajomość dowolnego Python IDE
  • Doświadczenie z Python argparse i argumentami wiersza poleceń
  • Zrozumienie wizji komputerowej i bibliotek uczenia maszynowego
  • Zrozumienie podstawowych algorytmów wykrywania obiektów

Publiczność

  • Backend Developerzy
  • Data Scientists
 7 godzin

Liczba uczestników



Cena za uczestnika

Opinie uczestników (2)

Powiązane Kategorie