Real-Time Object Detection with YOLO

• 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

YOLO (You Only Look Once) to algorytm przekształcony we wstępnie wytrenowane modele do wykrywania obiektów. Jest on testowany przez framework sieci neuronowej Darknet, dzięki czemu idealnie nadaje się do opracowywania funkcji widzenia komputerowego w oparciu o zbiór danych COCO (Common Objects in Context). Najnowsze warianty frameworka YOLO, YOLOv3-v4, umożliwiają programom wydajne wykonywanie zadań lokalizowania i klasyfikowania obiektów w czasie rzeczywistym.

To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla programistów zaplecza i naukowców zajmujących się danymi, którzy chcą włączyć wstępnie wyszkolone modele YOLO do swoich programów opartych na przedsiębiorstwie i wdrożyć opłacalne komponenty do wykrywania obiektów.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstaluj i skonfiguruj niezbędne narzędzia i biblioteki wymagane do wykrywania obiektów za pomocą YOLO.
• Dostosowywanie Python aplikacji wiersza poleceń, które działają w oparciu o wstępnie wytrenowane modele YOLO.
• Wdrożyć strukturę wstępnie wytrenowanych modeli YOLO dla różnych projektów wizji komputerowej.
• Konwersja istniejących zbiorów danych do wykrywania obiektów do formatu YOLO.
• Zrozumienie podstawowych koncepcji algorytmu YOLO dla wizji komputerowej i/lub głębokiego uczenia się.

Format kursu

• Interaktywny wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku live-lab.

Opcje dostosowywania kursu

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

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