Wizja komputerowa w języku Python
Szkolenie „Wizja komputerowa w Pythonie” ma na celu przygotowanie uczestników do pracy nad rzeczywistymi projektami związanymi z przetwarzaniem obrazów i analizą danych wizualnych. Zaczniemy od podstawowych pojęć i metod, a następnie przejdziemy do bardziej zaawansowanych zadań wizji komputerowej takich jak segmentacja, rozpoznawanie obiektów oraz klasyfikacja obrazów. Wiedza i umiejętności zdobyte w trakcie kursu znajdują szerokie zastosowanie w wielu branżach, takich jak przemysł, medycyna, e-commerce czy bezpieczeństwo. Uczestnicy poznają podstawowe techniki wykorzystywane przez inżynierów wizji komputerowej oraz specjalistów ds. uczenia maszynowego, co pozwoli im na rozwój w dynamicznie rosnącej dziedzinie analizy obrazów.
3950 PLN+23% VAT (4858 PLN brutto / 1 os.)Czas trwania szkolenia:5 dni (40h)
Kod kursu:PYTHON/CV
Wizja komputerowa w języku Python
Cele szkolenia
Zrozumienie podstaw oraz zastosowań wizji komputerowej i przetwarzania obrazów
Nabycie umiejętności pracy z obrazami w Pythonie z użyciem popularnych bibliotek
Poznanie podstawowych metod przetwarzania i manipulacji obrazami
Zapoznanie się z technikami segmentacji obrazów i wyznaczania ich cech w kontekście rzeczywistych problemów, takich jak rozpoznawanie obiektów czy wykrywanie anomalii
Implementacja modeli klasyfikacji obrazów przy użyciu tradycyjnych algorytmów uczenia maszynowego
Wprowadzenie do głębokiego uczenia i splotowych sieci neuronowych (CNN) w kontekście wizji komputerowej, które stanowią fundament zaawansowanych systemów analizy obrazów
Dla kogo?
Osób, które mają co najmniej podstawową wiedzę z obszaru uczenia maszynowego i mają doświadczenie w programowaniu w Python
Inżynierów i specjalistów z obszaru uczenia maszynowego oraz data science, którzy chcą rozwijać swoje kompetencje w zakresie analizy obrazów
Osób rozpoczynających swoją karierę w dziedzinie wizji komputerowej i analizy obrazów, którzy chcą zdobyć praktyczne umiejętności poszukiwane na rynku pracy
Zalety
Szkolenie stanowi kompletne wprowadzenie do wizji komputerowej – od podstaw po zaawansowane techniki
Zdobycie praktycznych umiejętności w zakresie przetwarzania obrazów przy użyciu popularnych narzędzi i bibliotek (OpenCV, scikit-image, Pillow), które są szeroko stosowane w firmach technologicznych
Nauka metod rozwiązywania zadań wizji komputerowej, takich jak segmentacja, detekcja i klasyfikacja obrazów
Szkolenie "Wizja komputerowa w języku Python" jest wprowadzeniem do głębokiego uczenia z użyciem splotowych sieci neuronowych (CNN), co pozwala na zrozumienie najnowszych technologii stosowanych w rozpoznawaniu obrazów, analizie wideo i budowie zaawansowanych algorytmów klasyfikacji w biznesie
Wymagania
Od uczestników wymagana jest umiejętność programowania w języku Python pozwalająca na pisanie nieskompliwanego kodu i praca z zewnętrznymi bibliotekami
Ogólna wiedza o klasycznych algorytmach i dobrych praktykach w uczeniu maszynowym
Podstawowa znajomość matematyki, w tym algebry i geometrii
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program
Wprowadzenie do wizji komputerowej i przetwarzania obrazów
Podstawowe definicje
Kluczowe zastosowania oraz zadania wizji komputerowej i przetwarzania obrazów
Podstawy obrazu cyfrowego: reprezentacja, cechy, próbkowanie i kwantyzacja, przestrzenie barw, transformacje i kompresja obrazów
Mierzenie jakości obrazów
Praca z obrazami w języku Python
Wprowadzenie do popularnych bibliotek: NumPy, OpenCV, Pillow, scikit-image, pyvips
Odczytywanie, zapisywanie, wyświetlanie i metadane obrazów
Przetwarzanie i manipulacja obrazami
Podstawowe operacje na obrazach: zmiana rozmiaru, przycinanie, obracanie, odbicie, skalowanie i przesuwanie obrazów
Ulepszanie obrazów: liniowe i nieliniowe operacje, histogram obrazu
Filtrowanie i wypełnianie obrazów
Metody częstotliwościowe w przetwarzaniu obrazów
Cechy obrazów
Wykrywanie krawędzi, linii i narożników
Geometryczne cechy obrazów
Ramka ograniczająca i otoczka wypukła
Statystyczne właściwości kształtu
Tekstura
Macierze współwystępowania
Zastosowania lokalnych cech
SIFT (Scale Invariant Feature Transform)
HOG (Histogram of Oriented Gradients)
BoF (Bag of Features)
Zadanie segmentacji w przetwarzaniu obrazów
Progowanie, progowanie adaptacyjne
Metody krawędziowe
Klasteryzacja, k-means
Segmentacja wododziałowa
Obrazy binarne i operacje morfologiczne: dylatacja, erozja, otwarcie, domknięcie, hit-or-miss
Skeletonizacja
Wykrywanie i rozpoznawanie obrazów
Dopasowywanie wzorców
Dopasowywanie cech z wykorzystaniem punktów kluczowych
Śledzenie ruchu obiektów
Klasyfikacja obrazów z wykorzystaniem tradycyjnych algorytmów uczenia maszynowego
Ekstrakcja cech dla uczenia maszynowego
Trenowanie wybranych klasyfikatorów
Wprowadzenie do uczenia głębokiego dla zadań wizji komputerowej
Różnice między klasycznym a głębokim uczeniem maszynowym w wizji komputerowej
Podstawy splotowych sieci neuronowych (CNN)
Popularne architektury CNN
Wykorzystanie wstępnie wytrenowanych modeli