Eğitimin Amacı ve Kapsamı
Bir nesnenin karede görünmesi ile o nesnenin veya kişinin ne yaptığını anlamak farklı problemlerdir: düşme tespiti, montaj adımı doğrulama, tehlikeli hareket veya kavga algılama zamansal bağlam gerektirir. Bu ileri seviye program; 3D CNN mimarilerini (SlowFast, X3D), video transformer'ları (TimeSformer, VideoMAE v2) ve pose/iskelet tabanlı graf ağlarını (MMPose + ST-GCN) karşılaştırmalı olarak işler.
Kısa klip sınıflandırma ile uzun videolarda zamansal aksiyon lokalizasyonu (Temporal Action Localization) ayrıştırılır; PyTorchVideo ve MMAction2 ile eğitim yapılır. Katılımcılar kendi saha senaryoları için (ör. İSG ihlali veya standart operasyon kontrolü) bir aksiyon tanıma prototipi ve veri toplama protokolü hazırlar.
Kimler Katılmalı?
- Video üzerinde davranış, hareket ve anomali analizi geliştiren yapay zeka mühendisleri
- İş sağlığı ve güvenliği (İSG), üretim ergonomisi ve spor analitiği çalışan veri bilimciler
- Derin öğrenme tabanlı kamera çözümleri geliştiren Ar-Ge ekipleri
- Ön koşul: PyTorch ve bilgisayarlı görüde CNN/Transformer deneyimi
Kazanımlar
- RGB tabanlı (SlowFast, VideoMAE) ve iskelet tabanlı (ST-GCN) yaklaşımlar arasında doğru seçim yapmak
- 2D/3D human pose estimation çıktılarını aksiyon sınıflandırma modeline beslemek
- Kesintisiz video akışlarında kayan pencere ve zamansal lokalizasyon ile aksiyon başlangıç/bitişini bulmak
- Az rastlanan anomali ve düşme olayları için veri artırma ve sınıf dengesizliği stratejileri uygulamak
- Sahada gerçek zamanlı çıkarım için klip uzunluğu, stride ve hesaplama bütçesini optimize etmek
Konular
Zamansal Modelleme ve Aksiyon Tanıma Görevleri
- Klip sınıflandırma, spatio-temporal action detection ve zamansal lokalizasyon
- Kinetics, AVA ve kurumsal özel veri setlerinin yapılandırılması
3D CNN ve Çift Akışlı (Two-Stream) Mimariler
- I3D, SlowFast ve X3D mimarilerinde uzamsal-zamansal evrişim
- Optik akış (optical flow) maliyeti ve RGB-only alternatifler
Video Transformer Modelleri
- TimeSformer ve VideoMAE v2 ile divided space-time attention
- Self-supervised ön eğitimli video modellerinin kurumsal veriye fine-tuning'i
Pose Estimation ve İskelet Tabanlı Aksiyon Tanıma
- YOLO-Pose ve MMPose ile 2D/3D anahtar nokta (keypoint) çıkarımı
- ST-GCN ile arka plan ve aydınlatmadan bağımsız hareket analizi ve ergonomi skorlaması
Canlı Akışta Zamansal Lokalizasyon ve Anomali Tespiti
- ActionFormer ve kayan pencere (sliding window) ile kesintisiz akışta olay yakalama
- Gecikme (latency), false positive kontrolü ve sahada kenar cihaz kısıtları
Bu Kategorideki Diğer Eğitimler
-
CLIP/SigLIP ile ortak embedding uzayı, Qwen2.5-VL, LLaVA ve InternVL mimarileri, görsel soru-cevap, multimodal RAG ve QLoRA ile fine-tuning; görüntü ve metni birlikte işleyen sistemler geliştiren mühendisler için.
- Canlı Kurs
- 5 modül
-
Üretim hatlarında yüzey kusuru tespiti, anomalib (PatchCore, PaDiM, EfficientAd) ile unsupervised anomali yakalama, endüstriyel kamera/aydınlatma seçimi ve PLC entegrasyonu; kalite ve üretim mühendisliği ekipleri için.
- Canlı Kurs
- 5 modül
-
Yatan hasta düşme önleme, yoğun bakım izleme, el hijyeni ve KKD uyumu, ameliyathane cerrahi alet sayımı ve KVKK uyumlu edge anonimleştirme; hastane dijital dönüşüm ve sağlık teknolojisi ekipleri için.
- Canlı Kurs
- 5 modül
-
DICOM/NIfTI işleme, MONAI ve nnU-Net ile BT/MR/röntgen üzerinde 2D/3D lezyon ve organ segmentasyonu, tümör patolojisi (WSI) analizi ve klinik doğrulama; medikal görüntüleme ve biyomedikal yapay zeka ekipleri için.
- Canlı Kurs
- 5 modül
-
Resepsiyon ve lobi kuyruk/yoğunluk analizi, açık büfe tepsi doluluk takibi ve gıda israfı ölçümü, otopark plaka tanıma, havuz/tesis güvenliği ve KVKK uyumlu anonim analitik; turizm ve otelcilik teknoloji ekipleri için.
- Canlı Kurs
- 5 modül
-
ONNX Runtime, TensorRT, OpenVINO ve TFLite ile model dönüştürme, INT8 quantization, NVIDIA Jetson ve Raspberry Pi üzerinde kamera pipeline'ı, GStreamer ve OTA güncelleme; modelleri sahada düşük gecikmeyle çalıştıran ekipler için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
