Zastosowania uczenia głębokiego w zadaniach wizji komputerowej

Wprowadzenie do uczenia głębokiego w wizji komputerowej

• Podstawy uczenia głębokiego i splotowych sieci neuronowych (CNN)
• Przegląd narzędzi i frameworków do uczenia głębokiego
• Wprowadzenie do biblioteki PyTorch
• Zastosowania w przemyśle i biznesie

Splotowe sieci neuronowe (CNN)

• Warstwy sieci CNN: warstwy splotowe, pooling, aktywacja, warstwy w pełni połączone
• Proces uczenia sieci CNN
• Wykrywanie wzorców w obrazach
• Techniki optymalizacji i regularyzacji architektur CNN

Zaawansowane architektury CNN

• Omówienie architektur: AlexNet, VGGNet, ResNet, Inception Networks, EfficientNet
• Klasyfikacja obrazów z wykorzystaniem sieci neuronowych
• Praktyczna implementacja w PyTorch

Wprowadzenie do sieci Transformer w wizji komputerowej

• Visual Transformers (ViT)
• Mechanizm self-attention
• Hybrydowe modele CNN i Transformer
• Modele wizyjno-językowe
• Kompromis między wielkością modelu a specjalizacją w rzeczywistym problemie

Transfer wiedzy i dostrajanie modeli wizji komputerowej

• Transfer learning
• Fine-tuning
• Przykłady zastosowań i architektur
• Kiedy warto stosować transfer learning, a kiedy budować model od zera?

Segmentacja semantyczna obrazów

• Problem segmentacji i zastosowania
• Wybrane architektury: SegNet, U-Net, PSPNet, DeepLabV3+
• Wybrana biblioteka w Python - Segmentation Models PyTorch
• Model Segment Anything
• Produkcyjne zastosowania segmentacji

Detekcja obiektów na obrazach

• Problem detekcji oraz metody ewaluacji modeli
• Architektury R-CNN (Region-based CNN)
• Algorytm Non-Maximum Supression
• Detekcja obiektów w czasie rzeczywistym - YOLO (You Only Look Once)
• Architektura Faster R-CNN
• Wybrana biblioteka w Python - mmDetection
• Przykłady zastosowań algorytmów detekcyjnych

Generowanie i przekształcanie obrazów przy użyciu sieci neuronowych

• Wprowadzenie do modeli generatywnych
• Autoenkodery
• Architektury GAN (Generative Adversarial Networks)
• Sieci StyleGAN i CycleGAN
• Wprowadzenie do modeli dyfuzyjnych
• Zastosowania modeli generatywnych i związane z nimi zagrożenia

Sieci neuronowe RNN i Transformer w analizie wideo

• Analiza sekwencji obrazów z zastosowaniem architektur RNN (Recurrent Neural Networks), LSTM i GRU
• Transformery w analizie wideo
• Zastosowania modeli uczenia głębokiego w strumieniach wideo

Wdrażanie modeli wizji komputerowej na dużą skalę

• Optymalizacja modeli do pracy w środowiskach produkcyjnych
• Skalowalność modeli wizji komputerowej
• Wdrażanie modeli w chmurze i na urządzeniach brzegowych
• Monitorowanie i aktualizacja modeli w środowisku produkcyjnym

materiały szkoleniowe - część teoretyczna szkolenia, slajdy - zostaną udostępnione uczestnikom na szkoleniu w formie pdf.

uczestnik otrzyma certyfikat uczestnictwa z opisem nabytych umiejętności

Znajomość podstaw wizji komputerowej i głębokiego uczenia

Doświadczenie w programowaniu w Pythonie

Podstawowa umiejętność korzystania z frameworków do uczenia głębokiego, takich jak TensorFlow lub PyTorch

Szkolenie będzie prowadzone zdalnie, w czasie rzeczywistym, na żywo, z trenerem, możliwością zadawania pytań.

Szkolenie składa się w 30% z wykładu teoretycznego, w 70% z warsztatów i samodzielnej pracy programistycznej.

Podczas szkolenia uczestnicy mają dostęp do czatu z trenerem, współdzielą ekran podczas części warsztatowej, żeby zaprezentować postęp swojej pracy.

Walidacja będzie bazowała na ocenie efektów samodzielnej pracy uczestników, będzie sprawdzała nabytą wiedzę teoretyczną i umiejętność jej zastosowania w praktyce.

szkolenie na platformie zoom, wymagane:

stabilne połączenie internetowe (zalecane min. 10Mbit/s download i 1Mbit/s upload)

przeglądarka internetowa Chrome

zainstalowana aplikacja Zoom App

dobrej jakości słuchawki oraz mikrofon (opcjonalnie) kamera internetowa

link do szkolenia zostanie przesłany uczestnikom przed szkoleniem i będzie aktywny do końca szkolenia.