Практический курс «Computer vision на Python»

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»

1. Введение в CV и основы нейронных сетей
   Теоретическая часть: основные типы задач CV. Основы нейронных сетей.
   Практическая часть: решение задачи классификации изображений
2. 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
3. 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
4. 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.
5. 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.
6. 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.
7. Трекинг объектов на видео
   Теоретическая часть: алгоритмы трекинга объектов на видео
   Практическая часть: трекинг объектов на видео
8. 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.
9. Внедрение нейронной сети в production
   Теоретическая часть: Flask, Docker. Способы внедрения нейронной сети в production.
   Практическая часть: построение сервиса с использованием нейронной сети
10. 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.