YOLOv7: Real-time Object Detection with Computer Vision

• Doświadczenie w programowaniu Python
• Zrozumienie podstaw głębokiego uczenia
• Znajomość podstaw wizji komputerowej

Publiczność

• Inżynierowie zajmujący się wizją komputerową
• Naukowcy zajmujący się uczeniem maszynowym
• Naukowcy zajmujący się danymi
• Programiści

YOLOv7 to najnowocześniejszy model wykrywania obiektów w czasie rzeczywistym do zadań wizji komputerowej.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych programistów, badaczy i naukowców zajmujących się danymi, którzy chcą dowiedzieć się, jak zaimplementować wykrywanie obiektów w czasie rzeczywistym za pomocą YOLOv7.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe koncepcje wykrywania obiektów.
• Zainstalować i skonfigurować YOLOv7 do zadań wykrywania obiektów.
• Trenować i testować niestandardowe modele wykrywania obiektów za pomocą YOLOv7.
• Zintegrować YOLOv7 z innymi platformami i narzędziami wizji komputerowej.
• Rozwiązywanie typowych problemów związanych z implementacją YOLOv7.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratorium na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do wykrywania obiektów

• Podstawy wykrywania obiektów
• Aplikacje wykrywania obiektów
• Wskaźniki wydajności dla modeli wykrywania obiektów

Przegląd YOLOv7

• Instalacja i konfiguracja YOLOv7
• Architektura i komponenty YOLOv7
• Zalety YOLOv7 w porównaniu z innymi modelami wykrywania obiektów
• Warianty YOLOv7 i różnice między nimi

Proces szkolenia YOLOv7

• Przygotowanie danych i adnotacje
• Trening modelu przy użyciu popularnych frameworków głębokiego uczenia (TensorFlow, PyTorch itp.)
• Dostrajanie wstępnie wytrenowanych modeli do niestandardowego wykrywania obiektów
• Ocena i dostrajanie w celu uzyskania optymalnej wydajności

Wdrażanie YOLOv7

• Wdrożenie YOLOv7 w Python
• Integracja z OpenCV i innymi bibliotekami wizji komputerowej
• Wdrażanie YOLOv7 na urządzeniach brzegowych i platformach chmurowych

Tematy zaawansowane

• Śledzenie wielu obiektów przy użyciu YOLOv7
• YOLOv7 do wykrywania obiektów 3D
• YOLOv7 do wykrywania obiektów wideo
• Optymalizacja YOLOv7 pod kątem wydajności w czasie rzeczywistym

Podsumowanie i kolejne kroki