Eğitimin Amacı ve Kapsamı
Hazır modeller kurumsal görüntülerde çoğu zaman yeterli doğruluğu vermez; modeli kendi verinizle eğitmek veya fine-tuning yapmak gerekir. Program, convolution ve pooling mantığından başlayarak ResNet, EfficientNet ve ConvNeXt gibi mimarileri PyTorch üzerinde inceler.
Transfer learning, data augmentation (Albumentations), learning rate scheduling, mixed precision eğitim ve overfitting ile mücadele uygulamalı lab'larla işlenir. Kurumun veri tipine benzeyen bir dataset üzerinde uçtan uca bir sınıflandırma modeli eğitilir, hata analizi yapılır ve Grad-CAM ile model kararları yorumlanır.
Kimler Katılmalı?
- Görüntü modelleri geliştirecek yazılım ve yapay zeka mühendisleri
- Derin öğrenmeyi görüntü verisine uygulamak isteyen veri bilimciler
- Bilgisayarlı görü ekiplerini yöneten teknik liderler
- Ön koşul: Python ve temel makine öğrenmesi kavramları
Kazanımlar
- PyTorch ile bir CNN eğitim ve doğrulama döngüsü yazmak
- Transfer learning ile az veriyle yüksek doğruluğa ulaşmak
- Augmentation ve regularization ile overfitting'i azaltmak
- Confusion matrix ve hata örnekleri üzerinden model analizi yapmak
- Grad-CAM ile model kararlarını görselleştirmek
Konular
Convolution, Pooling ve CNN Yapı Taşları
- Filtre, stride, padding ve receptive field
- Batch normalization ve aktivasyon fonksiyonları
Modern CNN Mimarileri
- ResNet, EfficientNet ve ConvNeXt karşılaştırması
- timm kütüphanesi ile model seçimi
PyTorch ile Eğitim Döngüsü
- Dataset, DataLoader ve loss/optimizer seçimi
- Learning rate scheduling ve mixed precision
Transfer Learning ve Augmentation
- Katman dondurma ve kademeli fine-tuning
- Albumentations ile augmentation stratejileri
Değerlendirme, Hata Analizi ve Açıklanabilirlik
- Confusion matrix, sınıf dengesizliği ve eşik seçimi
- Grad-CAM ile karar görselleştirme
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
