Görüntü Tanıma ve Nesne Algılama Eğitimi

Eğitim Hakkında

Bu eğitim, görüntü sınıflandırma ve nesne algılama modellerini veri hazırlığından dağıtıma kadar uçtan uca geliştirmek isteyen mühendislik ekipleri için tasarlanmış uygulamalı bir programdır. Katılımcılar PyTorch ve Ultralytics ile model eğitir, nesne takibi ve açık sözlüklü algılamayı dener, üretim sahası senaryolarında çalışan bir proje geliştirir.

Neden Bu Eğitim?

Mimariden Uygulamaya. ResNet'ten görü dönüştürücülerine, YOLO'dan RT-DETR'a modern mimarileri çalışma mantığıyla kavrayın.

Saha Senaryoları. Parça sayımı, KKD kontrolü, forklift takibi ve raf analizi gibi endüstriyel örneklerle uygulama yapın.

Dağıtıma Hazır Model. Eğittiğiniz modeli ONNX ve TensorRT ile optimize edip uç cihazda gerçek zamanlı çalıştırın.

“Bir kameranın değeri kaydettiği görüntüde değil, o görüntüden çıkardığı anlamda ve aldırdığı doğru kararda yatar.”

Ön Koşullar

Python Programlama — Python ile fonksiyon ve sınıf yazabilmek, NumPy dizileriyle çalışabilmek.
ML Temelleri — Eğitim-test ayrımı, aşırı öğrenme ve kayıp fonksiyonu gibi temel kavramları bilmek.
Temel Matematik — Matris işlemleri ve türev kavramına dair lise-üniversite düzeyinde temel bilgi.
GPU Ortamı — Google Colab, Kaggle veya kurumsal bulut üzerinde GPU destekli not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiGörüntü verisini modellemeye hazırlamak, evrişimli ağların ve görü dönüştürücülerinin mantığını kavramak ve transfer öğrenmeyle sınıflandırma modeli eğitmek.

Modül 1

Bilgisayarlı Görü ve Görüntü Verisi

Bilgisayarlı görü görevleri: sınıflandırma, algılama, segmentasyon
Görüntünün tensör temsili, kanal ve normalizasyon
torchvision ile veri yükleme ve dönüşüm hatları
Albumentations ile veri artırma teknikleri
Sınıf dengesizliği ve veri seti kalitesi kontrolü
Laboratuvar: Endüstriyel parça görüntülerinin hazırlanması

Modül 2

Evrişimli Sinir Ağları (CNN)

Evrişim, havuzlama ve alıcı alan kavramları
Aktivasyon, batch normalization ve dropout katmanları
VGG, ResNet ve EfficientNet mimarilerinin evrimi
Kayıp fonksiyonu, optimizasyon ve öğrenme oranı planı
Aşırı öğrenmeyi önleme ve erken durdurma
Laboratuvar: PyTorch ile sıfırdan küçük bir CNN eğitimi

Modül 3

Transfer Öğrenme ve İnce Ayar

ImageNet ile önceden eğitilmiş modellerin kullanımı
Öznitelik çıkarıcı ve tam ince ayar stratejileri
timm kütüphanesi ile model seçimi ve karşılaştırma
Karmaşıklık matrisi ve sınıf bazlı hata analizi
Grad-CAM ile modelin baktığı bölgenin görselleştirilmesi
Laboratuvar: ConvNeXt ile parça tipi sınıflandırması

Modül 4

Görü Dönüştürücüleri ve Temel Modeller

Görü dönüştürücüsü (ViT) ve yama tabanlı dikkat
CNN ile ViT karşılaştırması: veri ihtiyacı ve hız
CLIP ile sıfır örnekle (zero-shot) sınıflandırma
DINOv2 öznitelikleriyle az veriyle sınıflandırma
Hugging Face Transformers ile görü modelleri
Günün değerlendirmesi ve nesne algılama gününe köprü

Günün hedefiNesne algılama mimarilerinin çalışma prensiplerini öğrenmek, özel veri setiyle YOLO modeli eğitmek ve sonuçları doğru metriklerle değerlendirip iyileştirmek.

Modül 1

Nesne Algılamanın Temelleri

Sınırlayıcı kutu, güven skoru ve sınıf olasılığı
IoU ve maksimum olmayanı bastırma (NMS) mantığı
İki aşamalı algılayıcılar: Faster R-CNN yaklaşımı
Tek aşamalı algılayıcılar: SSD ve YOLO ailesi
Dönüştürücü tabanlı algılama: DETR ve RT-DETR
Demo: Hazır modellerle saha görüntüsünde algılama

Modül 2

Özel Veri Setiyle Algılama Verisi Hazırlama

COCO ve YOLO etiket formatları arası dönüşüm
CVAT ile kutu etiketleme ve kalite kontrol süreci
Model destekli ön etiketleme ile hızlandırma
Küçük nesneler ve yoğun sahneler için veri stratejisi
Mozaik ve kopyala-yapıştır veri artırma teknikleri
Atölye: KKD (baret, yelek) veri setinin hazırlanması

Modül 3

Ultralytics YOLO ile Model Eğitimi

Model boyutu seçimi: hız ve doğruluk dengesi
Hiperparametreler, görüntü boyutu ve epoch planı
Eğitim eğrilerinin izlenmesi ve erken durdurma
Önceden eğitilmiş ağırlıklardan ince ayar
Torchvision Faster R-CNN ile karşılaştırmalı eğitim
Laboratuvar: KKD algılama modelinin eğitilmesi

Modül 4

Değerlendirme ve Hata Analizi

Kesinlik, duyarlılık ve [email protected]:0.95 metrikleri
Sınıf bazlı performans ve güven eşiği seçimi
Kaçırılan ve yanlış algılamaların görsel incelemesi
Laboratuvar: FiftyOne ile hatalı tahminlerin analizi
Veri iyileştirme döngüsü ile modelin güçlendirilmesi
Günün değerlendirmesi ve ileri konular gününe hazırlık

Günün hedefiSegmentasyon, nesne takibi ve açık sözlüklü algılamayı uygulamak, modeli uç cihaz için optimize etmek ve saha senaryolu uçtan uca projeyi sunmak.

Modül 1

Segmentasyon, Takip ve Sayım

Anlamsal ve örnek (instance) segmentasyon farkı
Segment Anything Model (SAM) ile maske üretimi
ByteTrack ile video üzerinde çoklu nesne takibi
Sanal çizgi ve bölge tabanlı nesne sayımı
Supervision kütüphanesiyle görselleştirme ve analiz
Laboratuvar: Konveyör üzerinde parça sayım uygulaması

Modül 2

Açık Sözlüklü Algılama ve Görsel Dil Modelleri

Sabit sınıf listesinin ötesinde açık sözlüklü algılama
Grounding DINO ve YOLO-World ile metinle nesne arama
Yeni sınıflar için hızlı etiket üretimi yaklaşımı
Görsel dil modelleriyle sahne sorgulama ve raporlama
Açık modellerin doğruluk ve hız sınırlamaları
Demo: Metin istemiyle depo görüntüsünde nesne arama

Modül 3

Model Optimizasyonu ve Uç Dağıtım

ONNX formatına dönüştürme ve çalışma zamanı seçimi
TensorRT ve OpenVINO ile hızlandırma
FP16 ve INT8 nicemleme ile model küçültme
NVIDIA Jetson ve endüstriyel PC'de gerçek zamanlı çıkarım
RTSP kamera akışı ve çoklu kamera işleme mimarisi
Laboratuvar: Optimize modelin FPS ve doğruluk ölçümü

Modül 4

Takım Projesi ve Kapanış

Proje: İş güvenliği veya lojistik görüntü analitiği
Veri, model, metrik ve dağıtım kararlarının sunumu
KVKK açısından kamera verisi ve maskeleme gereksinimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

Görüntü Verisi — Görüntü veri setlerini artırma, normalizasyon ve kalite kontrolüyle modellemeye hazır hale getirebileceksiniz.
Model Mimarileri — CNN ve görü dönüştürücüsü mimarilerini karşılaştırıp probleminize uygun modeli seçebileceksiniz.
Transfer Öğrenme — Önceden eğitilmiş modelleri ince ayarla sınırlı veriyle yüksek başarılı sınıflandırıcılara dönüştürebileceksiniz.
Nesne Algılama — Özel veri setinizle YOLO ve Faster R-CNN modelleri eğitip mAP metrikleriyle değerlendirebileceksiniz.
Hata Analizi — FiftyOne ile yanlış ve kaçırılan algılamaları inceleyip veri odaklı model iyileştirmesi yapabileceksiniz.
Takip ve Sayım — Video akışlarında ByteTrack ile nesne takibi ve bölge tabanlı sayım uygulamaları geliştirebileceksiniz.
Açık Sözlüklü Görü — Grounding DINO ve CLIP gibi modellerle yeni sınıfları etiketsiz veya az etiketle algılayabileceksiniz.
Uç Dağıtım — Modelleri ONNX, TensorRT ve nicemleme ile optimize edip uç cihazda gerçek zamanlı çalıştıracaksınız.

Kimler İçin Uygundur?

Yazılım ve ML mühendisleri
makine görmesi ve otomasyon mühendisleri
Ar-Ge ekipleri ile üretim
lojistik ve iş güvenliği için görüntü analitiği geliştiren teknik ekipler.

Sıkça Sorulan Sorular

Görüntü Tanıma ve Nesne Algılama Eğitimi kimler için uygundur?

Program; yazılım ve ML mühendisleri, makine görmesi ve otomasyon mühendisleri, Ar-Ge ekipleri ile üretim, lojistik ve iş güvenliği alanlarında görüntü analitiği geliştiren teknik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 3 tam gün ve 12 modülden oluşur. Kurumun tercihine göre Digital Vizyon Akademi sınıflarında, kurum lokasyonunda veya online olarak GPU destekli laboratuvarlarla gerçekleştirilir.

Katılım için hangi ön koşullar aranıyor?

Python ile fonksiyon ve sınıf yazabilme, NumPy kullanımı ve aşırı öğrenme gibi temel makine öğrenmesi kavramlarına hakimiyet beklenir. GPU destekli bir bulut not defteri erişimi gerekir.

Eğitimde hangi kütüphane ve modeller kullanılıyor?

PyTorch, torchvision, timm, Hugging Face Transformers, Ultralytics YOLO, Faster R-CNN, RT-DETR, SAM, Grounding DINO, ByteTrack, Supervision, FiftyOne, ONNX, TensorRT ve OpenVINO kullanılır.

Bu eğitim kalite kontrol eğitiminden nasıl ayrışıyor, sertifika veriliyor mu?

Bu program kusur muayenesine odaklanmak yerine sınıflandırma, algılama, takip ve açık sözlüklü algılamayı genel mühendislik derinliğinde işler. Programı tamamlayanlar 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

GÖRÜNTÜ TANIMA VE NESNE ALGILAMA EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Bilgisayarlı Görü ve Görüntü Verisi

Evrişimli Sinir Ağları (CNN)

Transfer Öğrenme ve İnce Ayar

Görü Dönüştürücüleri ve Temel Modeller

Nesne Algılamanın Temelleri

Özel Veri Setiyle Algılama Verisi Hazırlama

Ultralytics YOLO ile Model Eğitimi

Değerlendirme ve Hata Analizi

Segmentasyon, Takip ve Sayım

Açık Sözlüklü Algılama ve Görsel Dil Modelleri

Model Optimizasyonu ve Uç Dağıtım

Takım 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