دوربین خودرو - بینایی کامپیوتر، یادگیری عمیق - بخش 2A
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک دادههای واقعی دوربین جلو جمعآوریشده از وسیله نقلیه ADAS
- یادگیری و پیادهسازی گام به گام ماژولهای پردازش تصویر دوربین و تشخیص شیء در python 3.x
- توسعه ماژولهای نرمافزاری با استفاده از برنامهنویسی شیگرا و نمودارهای UML در پایتون
- کسب مهارتهای عملی لازم در توسعه الگوریتم ادراک مبتنی بر دوربین که برای صنعت ADAS/AD ضروری است.
پیش نیازهای دوره
- کامپیوتر قابل استفاده با اینترنت
- ریاضیات پایه - ماتریس، بردار، احتمال، تبدیلات و غیره
- دانش خوب python 3.x در مورد مفاهیم برنامهنویسی شیگرا مانند کلاسها، اشیاء، وراثت و غیره
- اصول اولیه بستههای OpenCV ،Numpy و Pytorch در پایتون
- توانایی پیکربندی و استفاده از یک IDE مانند Visual Studio Code ،pycharm یا موارد دیگر
- توانایی نصب کتابخانههای مختلف پایتون با استفاده از pip ،conda یا موارد دیگر
توضیحات دوره
درک محیط گامی حیاتی در توسعه ADAS (سیستمهای پیشرفته کمک راننده) و رانندگی خودران است. حسگرهای اصلی که به طور گسترده پذیرفته و مورد استفاده قرار میگیرند شامل رادار، دوربین، لیدار و اولتراسونیک هستند.
این دوره بر دوربینها تمرکز دارد. به طور خاص، با پیشرفت یادگیری عمیق و بینایی کامپیوتر، رویکرد توسعه الگوریتم در زمینه دوربینها در چند سال گذشته به طرز چشمگیری تغییر کرده است.
بسیاری از دانشجویان جدید و افراد از رشتههای دیگر میخواهند در مورد این فناوری بیاموزند زیرا دامنه وسیعی از توسعه و بازار کار را فراهم میکند. دورههای زیادی نیز برای آموزش برخی از مباحث این توسعه در دسترس هستند، اما آنها به صورت قطعات و تکههایی هستند که فقط برای آموزش مفهوم خاص در نظر گرفته شدهاند.
در چنین شرایطی، حتی اگر کسی نحوه عملکرد یک مفهوم خاص را بفهمد، برای فرد دشوار است که آن را به درستی در قالب یک ماژول نرمافزاری قرار دهد و همچنین بتواند نرمافزار کاملی را از ابتدا تا انتها توسعه دهد که در اکثر شرکتها مورد تقاضا است.
این مجموعه که شامل 3 دوره آموزشی است، به صورت سیستماتیک طراحی شده است، به طوری که در پایان این مجموعه، شما آماده خواهید بود تا بدون تردید و با اطمینان خاطر، هرگونه نرمافزار کاربردی کامل مبتنی بر ادراک را توسعه دهید.
دوره 1 (که قبلاً منتشر شده و به صورت آنلاین در دسترس است) - بر مبانی نظری تمرکز دارد.
دوره 2A (این دوره) - بر پیادهسازی گام به گام ماژول پردازش دوربین و ماژولهای تشخیص دهنده شیء با استفاده از Python 3.x و برنامهنویسی شیءگرا تمرکز دارد.
دوره 2B - بر پیادهسازی گام به گام ردیابی چند شیء مبتنی بر دوربین (شامل ساختارهای داده شیء ردیابی، فیلترهای کالمن، ردیاب، ارتباط دادهها و غیره) با استفاده از Python 3.x و برنامهنویسی شیءگرا تمرکز دارد.
این دوره برای چه کسانی مناسب است؟
- هر کسی که به توسعه الگوریتم ادراک مبتنی بر دوربین برای ADAS/AD با استفاده از پایتون علاقه دارد.
- دانشجویان، محققان، علاقهمندان و غیره که میخواهند یاد بگیرند.
دوربین خودرو - بینایی کامپیوتر، یادگیری عمیق - بخش 2A
-
چرا این دوره؟ 09:23
-
پایپ لاین ادراک دوربین - یک مرور سریع 04:01
-
درک و دانلود دادههای دوربین 04:13
-
ماژول پیشپردازش تصویر - مفهوم 06:50
-
کلاس CameraPosition - مفهوم 01:00
-
کلاس CameraPosition - کد 07:27
-
کلاس TimeStamp - مفهوم 07:12
-
کلاس TimeStamp - کد - بخش 1 14:16
-
کلاس TimeStamp - کد - بخش 2 05:53
-
کلاس تصویر - مفهوم 02:01
-
کلاس تصویر - کد - بخش 1 11:00
-
کلاس تصویر - کد - بخش 2 08:18
-
کلاس ImageReader - مفهوم 04:04
-
کلاس ImageReader - کد - بخش 1 10:54
-
کلاس ImageReader - کد - بخش 2 13:23
-
Image Visualizer - کد 08:12
-
ماژول کامل پیشپردازش تصویر - تست کد 03:54
-
مفهوم دستهبندی اشیاء و باکس های محدودکننده دوبعدی 09:07
-
کلاس enum دسته بندی شیء - کد 02:47
-
کلاس ImageObject2D - کد 17:59
-
کلاس ImageObject2DList - کد - بخش 1 16:34
-
کلاس ImageObject2DList - کد - بخش 2 01:46
-
روشهای مختلف برای نمایش باکس های محدودکننده دوبعدی - مفهوم 05:28
-
تبدیل باکس های محدودکننده به شکل های مختلف - کد 10:07
-
ماژول نرمافزاری تشخیصدهندهی شیء - مفهوم با نمودار کلاس UML 09:05
-
کلاس انتزاع تشخیصدهندهی شیء - مفهوم 02:45
-
کلاس انتزاع تشخیصدهندهی شیء - کد 07:13
-
کلاس تشخیصدهندهی شیء FasterRCNN - مفهوم 03:47
-
کلاس تشخیصدهندهی شیء FasterRCNN - کد - بخش 1 15:11
-
کلاس تشخیصدهندهی شیء FasterRCNN - کد - بخش 2 23:43
-
کلاس ObjectDetectorType enum - مفهوم 02:25
-
کلاس ObjectDetectorType enum - کد 02:55
-
کلاس ObjectDetector - مفهوم 03:15
-
کلاس ObjectDetector - کد 12:41
-
تست کامل پایپ لاین با Faster RCNN - کد 07:04
-
متد کلاس Visualizer برای تشخیص شیء - کد 14:23
-
کلاس FileWriter و کلاس FileType enum - مفهوم 06:50
-
کلاس FileType enum - کد 01:52
-
کلاس FileType - کد 22:48
-
SSD با کلاس تشخیصدهندهی شیء VGG 16 - مفهوم 01:36
-
SSD با کلاس تشخیصدهندهی شیء VGG 16 - کد 06:42
-
کلاس YOLOv5ModelSize و YOLOv5 - مفهوم 05:42
-
کلاس YOLOv5ModelSize enum - کد 01:26
-
کلاس YOLOv5 - کد - بخش 1 22:11
-
کلاس YOLOv5 - کد - بخش 2 10:17
-
کلاس YOLOv8ModelSize و YOLOv8 - مفهوم 02:45
-
کلاس YOLOv8ModelSize enum - کد 01:04
-
کلاس YOLOv8 - کد 25:48
-
کلاس CameraPerception - کد 04:06
-
کلاس CameraPerception - کد - بخش 1 16:09
-
کلاس CameraPerception - کد - بخش 2 05:04
-
تست کامل پایپ لاین با main.py - کد 10:51
-
نمودار کلاس UML کامل را دوباره مرور کنید 04:23
-
معیارهای مورد استفاده برای اعتبارسنجی عملکرد تشخیص شیء 18:43
مشخصات آموزش
دوربین خودرو - بینایی کامپیوتر، یادگیری عمیق - بخش 2A
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:54
- مدت زمان :07:44:03
- حجم :4.06GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy