Eğitimin Amacı ve Kapsamı
Alan ölçümü, kusur sınırı, doku analizi veya arazi sınıflandırması gibi problemlerde bounding box yetmez; her pikselin sınıfını bilmek gerekir. Bu program yalnızca segmentasyona odaklanır ve semantic, instance ve panoptic görevlerini U-Net, DeepLabV3+, SegFormer ve Mask2Former mimarileri üzerinden derinlemesine işler.
SAM 2 ile prompt tabanlı segmentasyon ve etiketleme hızlandırma, Dice ve Focal loss seçimi, sınır kalitesi, yüksek çözünürlüklü görüntülerde tiling ve maskelerden alan/uzunluk ölçümü uygulamalı lab'larla çalışılır. Katılımcılar kendi veri tiplerine uygun bir segmentasyon pipeline'ı tasarlar.
Kimler Katılmalı?
- Piksel düzeyinde analiz gerektiren projelerdeki bilgisayarlı görü mühendisleri
- Endüstriyel kalite, medikal görüntü veya uzaktan algılama ekipleri
- Tespit modellerinden segmentasyona geçmek isteyen veri bilimciler
- Ön koşul: PyTorch ve CNN ile model eğitme deneyimi
Kazanımlar
- Semantic, instance ve panoptic görevleri problem bazında ayırt etmek
- U-Net, SegFormer veya Mask2Former ile özel model eğitmek
- SAM 2 ile etiketleme süresini kısaltmak
- Dice, mIoU ve boundary metrikleriyle modeli değerlendirmek
- Maskelerden alan ve boyut ölçümü üretmek
Konular
Segmentasyon Görevleri ve Kullanım Alanları
- Semantic, instance ve panoptic farkları
- Endüstri, tıp ve uydu görüntüsü örnekleri
Encoder-Decoder Mimarileri
- U-Net ve DeepLabV3+ yapıları
- Skip connection ve atrous convolution
Transformer Tabanlı Segmentasyon
- SegFormer ve Mask2Former
- Hugging Face Transformers ile fine-tuning
SAM 2 ile Prompt Tabanlı Segmentasyon
- Nokta ve kutu prompt'larıyla maske üretimi
- Etiketleme hızlandırma ve video segmentasyonu
Loss, Metrik ve Post-Processing
- Dice, Focal loss ve sınıf dengesizliği
- mIoU, boundary F1 ve maskeden ölçüm
Yüksek Çözünürlük ve Üretim
- Tiling, sliding window ve bellek yönetimi
- Inference hızı ve ONNX dışa aktarma
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
