Eğitimin Amacı ve Kapsamı
Sahada en sık karşılaşılan görsel yapay zeka ihtiyacı, nesnelerin yerini bulmak ve sınırlarını çıkarmaktır: ürün sayımı, kusur lokalizasyonu, araç ve insan tespiti gibi. Program; anchor tabanlı ve anchor-free detector'ları, YOLO ailesi ve transformer tabanlı RT-DETR'ı, Mask R-CNN ile instance segmentation'ı karşılaştırmalı olarak ele alır.
CVAT veya Label Studio ile etiketleme, COCO/YOLO formatları, Ultralytics ile eğitim, mAP ve IoU tabanlı değerlendirme ve ByteTrack ile tracking uygulamalı işlenir. Sonuçta kurumun bir örnek senaryosu için çalışan bir detection/segmentation prototipi ortaya çıkar.
Kimler Katılmalı?
- Tespit ve sayım çözümleri geliştirecek yapay zeka mühendisleri
- Görüntü verisiyle çalışan veri bilimciler
- Kamera tabanlı ürünler geliştiren yazılım ekipleri
- Ön koşul: Python ve temel derin öğrenme bilgisi
Kazanımlar
- Bir görev için uygun detector veya segmentation modelini seçmek
- Etiketleme kılavuzu hazırlayıp dataset'i COCO/YOLO formatında oluşturmak
- Ultralytics ile özel bir tespit modeli eğitmek
- mAP, precision-recall eğrisi ve IoU eşikleriyle modeli değerlendirmek
- Tespit çıktısını tracking ile video akışına bağlamak
Konular
Tespit Problemi ve Detector Aileleri
- Two-stage ve one-stage detector'lar
- YOLO, RT-DETR ve anchor-free yaklaşımlar
Etiketleme ve Dataset Hazırlığı
- CVAT ve Label Studio ile bounding box ve polygon
- COCO ve YOLO formatları, etiket kalite kontrolü
Özel Tespit Modeli Eğitimi
- Ultralytics ile eğitim ve hiperparametreler
- Küçük nesneler ve sınıf dengesizliği
Instance Segmentation
- Mask R-CNN ve YOLO-seg ile maske çıkarımı
- Maske kalitesi ve post-processing
Değerlendirme ve Tracking
- mAP@0.5:0.95, NMS ve eşik ayarı
- ByteTrack ile nesne takibi ve sayım
Bu Kategorideki Diğer Eğitimler
-
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
-
3D CNN (SlowFast, X3D), VideoMAE/TimeSformer ve iskelet tabanlı (MMPose, ST-GCN) modellerle insan hareketi, ergonomi ve anomali tespiti; iş güvenliği, üretim hattı ve davranış analizi geliştiren ekipler için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
