Szkolenie 5-dniowe
Wizja komputerowa w Pythonie
Szkolenie ma na celu przygotowanie uczestników do angażowania się w rzeczywiste projekty związane z przetwarzaniem obrazów i analizą danych wizualnych.
Terminy i cena szkolenia
Sprawdź najbliższe terminy szkolenia i wybierz tryb nauki, który najlepiej odpowiada Twoim preferencjom.
Cena: 4 750 zł netto + 23% VAT (5 842 zł brutto/os)
Tryb weekendowy
Najbliższy termin: 26.04.2025 r.2 weekendy po 8 godzin (9:00-17:00) + 1 sobota.
3x sobota i 2x niedziela.
Cele szkolenia
Zrozumienie kluczowych koncepcji oraz praktycznych zastosowań wizji komputerowej i analizy obrazów.
Opanowanie pracy z obrazami w Pythonie przy użyciu popularnych bibliotek.
Przyswojenie podstawowych technik przetwarzania i modyfikacji obrazów.
Poznanie metod segmentacji oraz ekstrakcji cech obrazów w kontekście rzeczywistych zastosowań, takich jak rozpoznawanie obiektów czy wykrywanie anomalii.
Implementacja klasyfikatorów obrazów opartych na tradycyjnych algorytmach uczenia maszynowego.
Wprowadzenie do głębokiego uczenia oraz konwolucyjnych sieci neuronowych (CNN), stanowiących podstawę nowoczesnych systemów analizy obrazów.
Dla kogo jest to szkolenie?
Szkolenie jest skierowane do osób z co najmniej podstawową wiedzą z zakresu uczenia maszynowego i doświadczeniem w programowaniu w Pythonie, w tym inżynierów i specjalistów ds. machine learning oraz data science, którzy chcą rozwijać swoje kompetencje w analizie obrazów, a także osób rozpoczynających karierę w wizji komputerowej, pragnących zdobyć praktyczne umiejętności cenione na rynku pracy.
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.
Dlaczego warto wziąć udział w szkoleniu?
Szkolenie stanowi kompletne wprowadzenie do wizji komputerowej – od podstaw po zaawansowane techniki.
Nauka metod rozwiązywania zadań wizji komputerowej, takich jak segmentacja, detekcja i klasyfikacja obrazów.
Zdobycie praktycznych umiejętności w zakresie przetwarzania obrazów przy użyciu popularnych narzędzi i bibliotek (OpenCV, scikit-image, Pillow), które są szeroko stosowane w firmach technologicznych.
Szkolenie 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.
Program szkolenia
1. 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
2. Praca z obrazami w języku Python
- ✔️ Wprowadzenie do popularnych bibliotek: NumPy, OpenCV, Pillow, scikit-image, pyvips
- ✔️ Odczytywanie, zapisywanie, wyświetlanie i metadane obrazów
3. 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
- ✔️ Warstwy w Dockerze
- ✔️ Filtrowanie i wypełnianie obrazów
- ✔️ Metody częstotliwościowe w przetwarzaniu obrazów
4. 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)
5. 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
6. Wykrywanie i rozpoznawanie obrazów
- ✔️ Dopasowywanie wzorców
- ✔️ Dopasowywanie cech z wykorzystaniem punktów kluczowych
- ✔️ Śledzenie ruchu obiektów
7. Klasyfikacja obrazów z wykorzystaniem tradycyjnych algorytmów uczenia maszynowego
- ✔️ Ekstrakcja cech dla uczenia maszynowego
- ✔️ Trenowanie wybranych klasyfikatorów
8. 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