Eğitimin Amacı ve Kapsamı
Bilgisayarlı görü projeleri çoğu zaman yanlış görev tanımı, yetersiz veri ve gerçekçi olmayan doğruluk beklentisi yüzünden takılır. Bu program, görüntünün piksel düzeyinde nasıl temsil edildiğinden başlayarak renk uzayları, filtreleme, kenar ve köşe tespiti gibi klasik teknikleri OpenCV ile uygulamalı olarak işler.
Ardından sınıflandırma, nesne tespiti ve segmentasyon görevleri ayrıştırılır; hazır modellerle (torchvision, Ultralytics YOLO) kısa bir prototip kurulur. Katılımcılar kurumlarına ait bir örnek senaryo üzerinden basit bir görsel veri pipeline'ı taslağı ile ayrılır.
Kimler Katılmalı?
- Bilgisayarlı görüye yeni başlayan yazılım geliştiriciler
- Tablo verisiyle çalışıp görüntü verisine geçmek isteyen veri bilimciler
- Görüntü tabanlı projeleri değerlendiren ürün ve teknik proje yöneticileri
- Ön koşul: temel Python bilgisi; derin öğrenme deneyimi gerekmez
Kazanımlar
- Görüntüleri OpenCV ile okuyup dönüştürmek ve ön işlemek
- Bir iş problemini doğru bilgisayarlı görü görevine eşlemek
- Hazır bir modelle sınıflandırma ve tespit çıktısı üretmek
- Accuracy, precision, recall ve IoU gibi temel metrikleri yorumlamak
- Bir use case için veri, etiketleme ve donanım ihtiyacını kabaca tahmin etmek
Konular
Dijital Görüntü ve Renk Uzayları
- Piksel, kanal, çözünürlük ve bit derinliği
- RGB, HSV ve gri tonlama dönüşümleri
OpenCV ile Klasik Görüntü İşleme
- Filtreleme, eşikleme ve morfolojik işlemler
- Kenar, köşe ve kontur tespiti
Bilgisayarlı Görü Görev Tipleri
- Sınıflandırma, nesne tespiti, segmentasyon ve OCR farkları
- Örnek use case'ler ve görev seçimi
Hazır Modellerle İlk Prototip
- torchvision ve Ultralytics YOLO ile inference
- Çıktıların görselleştirilmesi ve hata örnekleri
Veri, Etiketleme ve Metrikler
- Veri toplama, etiketleme araçları ve dataset bölme
- Precision, recall ve IoU ile değerlendirme
Bu Kategorideki Diğer Eğitimler
-
PyTorch ile CNN mimarileri (ResNet, EfficientNet, ConvNeXt), transfer learning, data augmentation ve eğitim döngüsü; kurumsal görüntü verisi üzerinde sınıflandırma modeli eğitip değerlendirmek isteyen geliştirici ve veri bilimciler için.
- Canlı Kurs
- 5 modül
-
Self-supervised öğrenme (DINOv2), foundation modeller (SAM 2, Grounding DINO), sentetik veri, active learning ve büyük ölçekli eğitim; üretimde zor görsel problemlerle uğraşan deneyimli bilgisayarlı görü mühendisleri için.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
