Все курсы
Практический курс «Computer vision на Python»
| Код курса | Даты начала курса | Стоимость обучения | Длительность обучения | Формат обучения |
|---|---|---|---|---|
| VISI | 24 февраля 2025 30 июня 2025 |
90 000 руб. | 40 ак.часов | Дистанционный |
| Регистрация | ||||
О курсе: Данный курс является введением в тематику решения задач компьютерного зрения. В курсе будут описаны современные подходы по обработке изображений и видео, а также передовые методы детектирования, сегментации и трекинга объектов на них. Основной акцент будет сделан на практическое применение искусственных нейронных сетей и использование фреймворков для работы с ними. Конкретно Вы познакомитесь с возможностями таких библиотек языка Python, как OpenCV для обработки изображений, Tensorflow для создания и обучения нейронных сетей, TensorRT для оптимизации нейросетевых архитектур, а также с фреймворком Flask для создания простых API решений и Tensorflow Serving для внедрения архитектур нейронных сетей в production. По итогам курса участники создадут прототипы модулей для решения 2х промышленных задач по распознаванию текста на изображении и детектирования местоположения человека на видео. Полученные участниками навыки будут вполне достаточны для дальнейшей самостоятельной поддержки и улучшения качества разработанных модулей.
Аудитория: Разработчики, которым необходимо получение экспертизы в области обработки изображений и видео, а также решения задач компьютерного зрения, встречающихся на производстве.
Предварительная подготовка
- опыт программирования на Python
- знание основ математического анализа и математической статистики
Программа курса "Computer vision на Python"
- Введение в CV и основы нейронных сетей
Теоретическая часть: основные типы задач CV. Основы нейронных сетей.
Практическая часть: решение задачи классификации изображений - Алгоритмы предобработки изображений
Теоретическая часть: библиотеки для предобработки изображений Opencv и PIL
Практическая часть: возможности библиотек Opencv и PIL, построение алгоритма предобработки изображений в задаче классификации - Свёрточные нейронные сети, архитектура свёрточных нейронных сетей, подходы к обучению нейронных сетей, аугментация данных
Теоретическая часть: слои свёрточных нейронных сетей, принципы построения. Алгоритм обратного распространения ошибки, типы оптимизаторов
Практическая часть: построение и обучение свёрточных нейронных сетей from scratch - Предобученные нейронные сети (transfer learning), переобучение нейронных сетей, коллбеки
Теоретическая часть: основные архитектуры предобученных нейронных сетей, кастомизация предобученных нейронных сетей. Переобучение нейронных сетей, методы борьбы с переобучением.
Практическая часть: использование предобученной нейронной сети для классификации. - Детектирование объектов на изображении / видео
Теоретическая часть: архитектуры нейронных сетей для детектирования объектов. Yola, SSD. Метрики качества детектирования объектов
Практическая часть: решение задачи детектирования объектов, работа с видео потоком. - Сегментация объектов на изображении
Теоретическая часть: архитектуры нейронных сетей для сегментации объектов. Метрики качества сегментации объектов.
Практическая часть: решение задачи сегментации объектов, работа с видео потоком. - Трекинг объектов на видео
Теоретическая часть: алгоритмы трекинга объектов на видео
Практическая часть: трекинг объектов на видео - Tensorflow ZOO
Теоретическая часть: подбор нейронной сети из Tensorflow ZOO. Алгоритм обучения выбранной нейронной сети из Tensorflow ZOO.
Практическая часть: разметка датасета, решение кастомной задачи детекции объектов. - Внедрение нейронной сети в production
Теоретическая часть: Flask, Docker. Способы внедрения нейронной сети в production.
Практическая часть: построение сервиса с использованием нейронной сети - Оптимизация нейронной сети для использования в production
Теоретическая часть: Tensorflow Serving, TensotRT. Способы оптимизации нейронной сети и использования Tensorflow serving поддержки и контроля версий в production.
Практическая часть: улучшенный сервис с использованием Tensorflow Serving.
Кто проводит курс
Конорев Олег
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
- Руководитель группы Data Science в НИИ “Квант”, Москва
- Computer vision (CV) – решение задач по классификации и детектировании объектов на фото и видео, идентификации человека, сегментации изображений и распознаванию текста с библиотеками OpenCV, Tensorflow API и архитектурами нейронных сетей Yolo, SSD, fRCNN, U-net и пр.
- Natural language processing (NLP) – решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy и др. Построение различных архитектур на основе искусственных нейронных сетей с использованием различных представлений слов (Embedding, Word2Vec) и готовых нейросетевых решений (Bert, fastai)
- Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей, а также предсказание значений временных рядов (time series forecasting) в приложении к котировкам активов с использованием классических решений (ARMA, ARIMA) и моделей на базе сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (LSTM,GRU) и их комбинаций.
- Проекты сегментации сигналов с различных датчиков и приборов и распознавания речи (speech-to-text) с облачными сервисами Yandex и Google.
Ермилов Дмитрий
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
- Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
- Руководитель программ в Университете искусственного интеллекта, Москва.
- Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)