Eğitimin Amacı ve Kapsamı
Etiketli verinin az, sınıfların dengesiz ve koşulların değişken olduğu üretim ortamlarında klasik supervised yaklaşım yetersiz kalır. Bu ileri seviye program; DINOv2 gibi self-supervised backbone'ları, SAM 2 ve Grounding DINO gibi foundation modelleri, open-vocabulary tespiti ve few-shot yaklaşımları ele alır.
Sentetik veri üretimi, active learning döngüleri, domain shift ile başa çıkma ve çok GPU'lu eğitim (PyTorch DDP) uygulamalı olarak işlenir. Katılımcılar kendi problemlerine yakın bir senaryo için foundation model tabanlı bir çözüm mimarisi ve deney planı hazırlar.
Kimler Katılmalı?
- CNN ve tespit modellerini üretimde kullanmış bilgisayarlı görü mühendisleri
- Araştırma ve geliştirme ekiplerindeki yapay zeka uzmanları
- Görsel yapay zeka mimarisinden sorumlu teknik liderler
- Ön koşul: PyTorch ile model eğitme deneyimi
Kazanımlar
- Self-supervised backbone'ları az etiketli veride değerlendirmek
- SAM 2 ve Grounding DINO ile etiketleme maliyetini düşürmek
- Active learning ile etiketlenecek örnekleri önceliklendirmek
- Domain shift'i tespit edip azaltma stratejisi kurmak
- Çok GPU'lu eğitimi yapılandırıp ölçeklemek
Konular
Self-Supervised Öğrenme ve Güçlü Backbone'lar
- Contrastive ve masked image modeling yaklaşımları
- DINOv2 özellikleriyle linear probing
Vision Foundation Modelleri
- SAM 2, Grounding DINO ve open-vocabulary tespit
- Zero-shot ve few-shot kullanım senaryoları
Veri Merkezli Yaklaşımlar
- Sentetik veri ve simülasyon ile veri artırma
- Active learning ve otomatik ön etiketleme
Domain Shift ve Robustness
- Işık, kamera ve ortam değişimlerine dayanıklılık
- Test-time augmentation ve domain adaptation
Büyük Ölçekli Eğitim
- PyTorch DDP ve gradient accumulation
- Deney takibi ve tekrar üretilebilirlik
Bu Kategorideki Diğer Eğitimler
-
YOLO, RT-DETR ve Mask R-CNN ile nesne tespiti ve instance segmentation; veri etiketleme, eğitim, mAP ile değerlendirme ve tracking entegrasyonu dahil uçtan uca bir detection/segmentation prototipi geliştirmek isteyen ekipler için.
- Canlı Kurs
- 5 modül
-
Computer Vision Bootcamp
Klasik görüntü işleme tekniklerinden PyTorch tabanlı CNN, Vision Transformer (ViT), Swin Transformer ve ConvNeXt mimarilerine uzanan kapsamlı Computer Vision Bootcamp programı. YOLO ve DETR ile nesne tespiti, SAM ve U-Net ile segmentasyon, video analizi, 3D görüntü işleme (NeRF, Gaussian Splatting), Diffusion modelleri ve ONNX/TensorRT ile model dağıtım süreçlerini uygulamalı projelerle kapsar.
- Canlı Kurs
- 13 modül
-
Semantic, instance ve panoptic segmentasyon; U-Net, DeepLabV3+, SegFormer, Mask2Former ve SAM 2 ile piksel düzeyinde model eğitimi, Dice/mIoU ile değerlendirme ve maske tabanlı ölçüm; endüstri, tıp ve uydu görüntüsü ekipleri için.
- Canlı Kurs
- 6 modül
-
ViT, DeiT, Swin ve DINOv2 mimarileri; patch embedding, self-attention, CNN ile karşılaştırma ve Hugging Face ile fine-tuning; görüntü görevlerinde transformer tabanlı modelleri seçip uyarlamak isteyen mühendisler için.
- Canlı Kurs
- 5 modül
-
PaddleOCR, Surya, LayoutLMv3 ve Donut ile belge ön işleme, metin tanıma, sayfa yerleşimi analizi ve tablo/form çıkarımı; fatura, sözleşme ve operasyonel dokümanlardan yapılandırılmış veri üretmek isteyen teknik ekipler için.
- Canlı Kurs
- 5 modül
-
RTSP video akışları, GStreamer/FFmpeg, gerçek zamanlı tespit, ByteTrack/BoT-SORT ile multi-object tracking, hız/yoğunluk analizi ve NVIDIA DeepStream; kamera ağlarından canlı operasyonel içgörü üretmek isteyen ekipler için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
