Nesne Segmentasyonu ve Takibi Eğitimi

Eğitim Hakkında

Bu eğitim, görüntülerde nesneleri piksel düzeyinde ayırmak ve videolarda nesneleri kimlikleriyle takip etmek isteyen bilgisayarlı görü ekipleri için tasarlanmış uygulamalı bir programdır. Katılımcılar anlamsal ve örnek segmentasyon modellerini eğitir, SAM 2 ile istemli segmentasyon yapar, çoklu nesne takibi kurar ve çözümü uç cihazlarda çalışacak biçimde optimize eder.

Neden Bu Eğitim?

Piksel Düzeyinde Hassasiyet. Kutu tespitinin yetmediği ölçüm, kusur alanı ve doku ayrımı gibi görevlerde nesneleri tam sınırlarıyla ayırın.

Zaman Boyutunu Katın. Videoda nesnelere kalıcı kimlik atayarak sayma, rota, bekleme süresi ve davranış analizi gibi içgörüler üretin.

Sahaya Hazır Çözümler. Modelleri TensorRT ve OpenVINO ile hızlandırıp uç cihazlarda gerçek zamanlı ve KVKK uyumlu biçimde çalıştırın.

“Bir kareyi anlamak görüntü işlemedir; nesneleri zaman içinde izleyip anlamlı içgörüye dönüştürmek ise gerçek video zekasıdır.”

Ön Koşullar

Python ve OpenCV — Python ile görüntü ve video okuma, OpenCV ile temel görüntü işleme yapabilmek.
PyTorch Deneyimi — PyTorch ile evrişimli sinir ağı eğitmiş, veri artırma ve kayıp kavramlarını bilmek.
Nesne Tespiti Temeli — Sınırlayıcı kutu, IoU, NMS ve YOLO gibi tespit modelleri hakkında temel bilgi.
GPU Erişimi — CUDA destekli GPU'lu bilgisayar veya eğitim süresince sağlanan bulut GPU ortamı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiSegmentasyon görev türlerini ve metriklerini kavramak, maske verisi hazırlamak ve U-Net ile DeepLabV3+ gibi anlamsal segmentasyon modellerini eğitip değerlendirmek.

Modül 1

Segmentasyon Görevleri ve Klasik Yöntemler

Anlamsal, örnek ve panoptik segmentasyon ayrımı
Eşikleme, bölge büyütme ve watershed yöntemleri
Klasik yöntemlerin endüstriyel görüntülerde yeri
Derin öğrenme tabanlı segmentasyonun gelişimi
Kullanım alanları: kusur, tıbbi görüntü, uydu, trafik
Laboratuvar: OpenCV ile watershed tabanlı ayrıştırma

Modül 2

Maske Verisi ve Etiketleme

Poligon, bitmap ve RLE maske gösterimleri
COCO ve YOLO segmentasyon veri formatları
CVAT ile maske etiketleme ve kalite kontrolü
SAM destekli yarı otomatik etiketleme hızlandırma
Albumentations ile maskeye duyarlı veri artırma
Laboratuvar: Yüzey kusuru veri setinin etiketlenmesi

Modül 3

Anlamsal Segmentasyon Mimarileri

Tam evrişimli ağlar (FCN) ve yukarı örnekleme
U-Net: atlama bağlantıları ve kodlayıcı-kod çözücü yapı
DeepLabV3+: atrous evrişim ve ASPP modülü
Dönüştürücü tabanlı SegFormer yaklaşımı
segmentation_models_pytorch ile hızlı model kurulumu
Laboratuvar: U-Net ile kusur alanı segmentasyonu

Modül 4

Kayıp Fonksiyonları ve Metrikler

Piksel bazlı çapraz entropi ve sınıf dengesizliği
Dice ve Focal kayıpları ile küçük nesne başarısı
IoU, mIoU ve Dice katsayısı ile değerlendirme
Sınır doğruluğu ve hatalı maske türlerinin analizi
Laboratuvar: Kayıp fonksiyonlarının karşılaştırılması
Günün değerlendirmesi ve örnek segmentasyonuna köprü

Günün hedefiÖrnek ve panoptik segmentasyon modellerini eğitmek, YOLO tabanlı gerçek zamanlı segmentasyon uygulamak ve SAM 2 gibi istemli temel modelleri iş akışına entegre etmek.

Modül 1

Örnek Segmentasyonu: Mask R-CNN

İki aşamalı tespit ve maske başlığı mimarisi
RoIAlign ve bölge önerisi ağı (RPN) mantığı
Detectron2 ve torchvision ile Mask R-CNN kullanımı
COCO maske mAP metriği ve değerlendirme
Örtüşen ve temas eden nesnelerde ayrıştırma
Laboratuvar: Mask R-CNN ile parça ayrıştırma

Modül 2

Gerçek Zamanlı YOLO Segmentasyonu

Tek aşamalı segmentasyon ve prototip maske yaklaşımı
Ultralytics YOLO segmentasyon modelleri ve boyutları
Özel veri setiyle eğitim, doğrulama ve dışa aktarma
Hız-doğruluk dengesi ve model boyutu seçimi
Hiperparametre ve veri artırma ayarları
Laboratuvar: YOLO ile üretim hattı nesne segmentasyonu

Modül 3

Panoptik Segmentasyon ve Dönüştürücüler

Panoptik segmentasyon: nesne ve arka plan birleşimi
Mask2Former ile maske sınıflandırma yaklaşımı
Panoptik kalite (PQ) metriği ve yorumlanması
Açık kelime dağarcıklı segmentasyon yaklaşımları
Uydu ve sokak görüntülerinde sahne ayrıştırma
Demo: Mask2Former ile şehir sahnesi segmentasyonu

Modül 4

İstemli Segmentasyon: SAM 2

Segment Anything: nokta, kutu ve maske istemleri
SAM 2 ile videoda maske yayılımı ve bellek yapısı
Tespit modeli ile SAM 2'nin birlikte kullanımı
Etiketleme maliyetini düşürmede SAM kullanımı
Laboratuvar: SAM 2 ile videoda nesne maskesi takibi
Günün özeti ve çoklu nesne takibi gününe hazırlık

Günün hedefiÇoklu nesne takibi algoritmalarını uygulamak, takip metrikleriyle değerlendirmek, video analitiği kuralları geliştirmek ve çözümü uç cihazda gerçek zamanlı çalıştırmak.

Modül 1

Çoklu Nesne Takibinin Temelleri

Tespit ile takip (tracking-by-detection) paradigması
Kalman filtresi ile hareket tahmini
Macar algoritması ile tespit-iz eşleştirme
SORT, DeepSORT, ByteTrack ve BoT-SORT karşılaştırması
Örtüşme, kayıp tespit ve kimlik değişimi sorunları
Laboratuvar: YOLO ve ByteTrack ile yaya takibi

Modül 2

Yeniden Tanıma ve Takip Metrikleri

Görünüm özellikleriyle yeniden tanıma (Re-ID)
Uzun kapanma sonrası kimlik koruma stratejileri
Çoklu kamera takibinin temel yaklaşımları
MOTA, IDF1 ve HOTA metriklerinin yorumlanması
MOT17 benchmarkı ve TrackEval ile değerlendirme
Laboratuvar: Takipçi parametrelerinin HOTA ile ayarı

Modül 3

Video Analitiği ve Uç Dağıtım

supervision ile çizgi geçiş sayımı ve bölge analizi
Bekleme süresi, yoğunluk haritası ve rota analizi
ONNX, TensorRT ve OpenVINO ile model hızlandırma
NVIDIA Jetson ve DeepStream ile çoklu akış işleme
Kamera görüntülerinde KVKK, bulanıklaştırma ve saklama
Laboratuvar: Mağaza girişinde kişi sayımı ve yoğunluk

Modül 4

Video Analitiği Projesi ve Kapanış

Grup projesi: segmentasyon, takip ve iş kuralları
Proje sunumları, FPS ve doğruluk sonuçları
Kurumsal video analitiği yol haritası çalışması
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar kodlarının teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Görev Seçimi — Anlamsal, örnek ve panoptik segmentasyon görevlerini iş ihtiyacına göre doğru biçimde konumlandırabileceksiniz.
Maske Verisi — CVAT ve SAM destekli etiketleme ile kaliteli segmentasyon veri setlerini verimli biçimde hazırlayabileceksiniz.
Segmentasyon Modelleri — U-Net, DeepLabV3+, Mask R-CNN ve YOLO segmentasyon modellerini özel veriyle eğitip ayarlayabileceksiniz.
SAM 2 Kullanımı — SAM 2 ile istemli segmentasyonu ve videoda maske yayılımını üretim iş akışlarına entegre edebileceksiniz.
Doğru Metrikler — IoU, Dice, maske mAP, PQ ve HOTA metrikleriyle modellerin gerçek başarısını nesnel olarak ölçebileceksiniz.
Nesne Takibi — Kalman filtresi, ByteTrack ve yeniden tanıma ile videoda kimlik koruyan çoklu nesne takibi kurabileceksiniz.
Video Analitiği — Sayım, bölge, bekleme süresi ve rota analizleriyle videodan ölçülebilir iş içgörüleri üreteceksiniz.
Uç Dağıtım — TensorRT, OpenVINO ve Jetson ile modelleri gerçek zamanlı ve KVKK'ya uygun biçimde sahada çalıştırabileceksiniz.

Kimler İçin Uygundur?

Bilgisayarlı görü ve makine öğrenmesi mühendisleri
video analitiği geliştiricileri
endüstriyel görüntü işleme ekipleri ile akıllı şehir
perakende ve sağlık alanındaki Ar-Ge uzmanları.

Sıkça Sorulan Sorular

Nesne Segmentasyonu ve Takibi Eğitimi kimler için uygundur?

Program; bilgisayarlı görü ve makine öğrenmesi mühendisleri, video analitiği geliştiricileri, endüstriyel görüntü işleme ekipleri ile akıllı şehir, perakende, üretim ve sağlık alanlarında görüntü tabanlı çözüm geliştiren Ar-Ge uzmanları için tasarlanmıştır.

Nesne tespiti ile segmentasyon arasındaki fark nedir?

Nesne tespiti nesnenin yerini dikdörtgen bir kutu ile belirtir. Segmentasyon ise nesneye ait pikselleri tek tek belirleyerek tam sınırını çıkarır; bu sayede alan ölçümü, kusur boyutu ve üst üste binen nesnelerin ayrımı mümkün olur.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün segmentasyon temelleri ve anlamsal segmentasyon, ikinci gün örnek segmentasyonu, YOLO ve SAM 2, üçüncü gün çoklu nesne takibi, video analitiği, uç dağıtım ve proje işlenir.

Katılım için hangi ön koşullar var?

Python ve OpenCV ile görüntü işleme, PyTorch ile evrişimli ağ eğitimi ve IoU, NMS gibi nesne tespiti kavramlarına aşinalık beklenir. Laboratuvarlar için GPU'lu bir ortam gerekir; ihtiyaç halinde bulut ortamı sağlanabilir.

Hangi araçlar kullanılıyor ve sertifika veriliyor mu?

PyTorch, OpenCV, CVAT, Albumentations, segmentation_models_pytorch, Detectron2, Ultralytics YOLO, SAM 2, ByteTrack, supervision, TrackEval, TensorRT ve OpenVINO kullanılır. Katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

NESNE SEGMENTASYONU VE TAKİBİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Segmentasyon Görevleri ve Klasik Yöntemler

Maske Verisi ve Etiketleme

Anlamsal Segmentasyon Mimarileri

Kayıp Fonksiyonları ve Metrikler

Örnek Segmentasyonu: Mask R-CNN

Gerçek Zamanlı YOLO Segmentasyonu

Panoptik Segmentasyon ve Dönüştürücüler

İstemli Segmentasyon: SAM 2

Çoklu Nesne Takibinin Temelleri

Yeniden Tanıma ve Takip Metrikleri

Video Analitiği ve Uç Dağıtım

Video Analitiği Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi