تشخیص و شناسایی اشیا (Object detection and recognition)، یکی از مهم ترین مباحث در بینایی ماشین است که به سیستم این امکان را می دهد تا اشیا مختلف موجود در تصاویر و ویدئوها را به ... بیشتر
مرجان جلالی مقدم
بهروزرسانی: ۱۴۰۳/۱۲/۲۷
مفاهیم مقدماتی تشخیص و شناسایی اشیا، کاربردها، چالشها و روشهای حل چالشها
معیار (Metric)های ارزیابی الگوریتم های مکان یابی (Localization) و طبقه بندی (Classification) اشیا
الگوریتم ها و مدل های مختلف تشخیص و شناسایی اشیا، از الگوریتم های مبتنی بر ویژگی های دستی (Handcrafted features) تا الگوریتم های مبتنی بر شبکه عصبی کانولوشنی (CNN)
معرفی الگوریتم YOLO، بررسی سیر تکاملی نسخه های مختلف این مدل
دوره آموزش یادگیری عمیق برای تشخیص و شناسایی اشیا به نحوی تهیه شده است که گروههای زیادی بتوانند از این دوره استفاده کنند و از آموزشهای این دوره بهرهمند شوند. برای درک بهتر موضوعات مطرح شده در این دوره نیاز است شرکتکنندگان با اصول و مبانی پایتون و شبکههای عصبی عمیق آشنایی داشته باشند.
تشخیص و شناسایی اشیا (Object detection and recognition)، یکی از مهم ترین مباحث در بینایی ماشین است که به سیستم این امکان را می دهد تا اشیا مختلف موجود در تصاویر و ویدئوها را به صورت بلادرنگ شناسایی و دسته بندی کنند. این الگوریتم ها نه تنها باعث افزایش دقت و امنیت می شوند، بلکه بهره وری را در بخش های مختلف افزایش می دهند.
از مزایای این الگوریتم ها می توان به افزایش دقت و سرعت پردازش، امکان پردازش بلادرنگ، کاهش احتمال خطا نسبت به خطای انسانی در محیط های صنعتی، افزایش سطح ایمنی و امنیت و افزایش کارایی اشاره کرد. این الگوریتم ها در طیف وسیعی از کاربردها از جمله شمارش و ردیابی اشیا، تشخیص فعالیت، رانندگی خودران، اتوماسیون صنعتی، شناسایی نقص ها و بررسی خودکار کیفیت تولید و بسته بندی، حوزه سلامت و پزشکی، امنیت و نظارت تصویری، تجارت الکترونیک، واقعیت افزوده و … قابل استفاده می باشند.
طیف گسترده ای از الگوریتم ها از الگوریتم های مبتنی بر ویژگی های دستی (Handcrafted features) تا الگوریتم های مبتنی بر یادگیری عمیق، به این منظور توسعه داده شده اند. این دوره شامل سه فصل می باشد.
در فصل مقدماتی این دوره به مفاهیم مقدماتی تشخیص و شناسایی اشیا پرداخته شده است. سیر تکاملی کلی این الگوریتم ها در این فصل بیان شده است و در ادامه این فصل به الگوریتم های سنتی تشخیص و شناسایی اشیا مانند الگوریتم هیستوگرام گرادیان جهت دار (HOG) و الگوریتم Haar Cascade پرداخته شده است. و نهایتا شرحی بر الگوریتم های دو مرحله ای تشخیص و شناسایی اشیا مانند الگوریتم RCNN و Faster-RCNN داده شده است و ویژگی و محدودیت های این الگوریتم ها مورد بررسی قرار گرفته است.
در فصل دوم، معیارهای ارزیابی مکان یابی و دسته بندی اشیا مورد بررسی قرار گرفته است و به بررسی روش های مختلف برای حل مساله کمبود داده آموزشی و برچسب دار پرداخته شده است.
نهایتا در فصل سوم، به الگوریتم YOLO، بررسی ویژگی های ارائه شده در نسخه های مختلف این الگوریتم، نحوه آماده سازی داده آموزشی، آماده سازی محیط برای آموزش شبکه عصبی YOLO و آموزش شبکه عصبی YOLO11 با استفاده از داده های آموزشی آماده شده، پرداخته شده است. همچنین در ادامه این فصل، مدل ازپیش آموزش داده YOLO11، برای مسائل هدف مختلف پوشش داده شده توسط این مدل بر روی یک مثال آزمایشی، مورد بررسی قرار گرفته است.
در انتهای این فصل، خلاصه ای از الگوریتم های Single Shot Multi Box Detector و Detection Transforme، بیان شده اند. این دوره برای عزیزانی که با شبکههای عصبی عمیق آشنایی دارند و تصمیم به آشنایی و استفاده از الگوریتم های تشخیص و شناسایی اشیا را دارند مناسب میباشد
اطلاعات بیشتر
از مجموع 6 امتیاز
3 نظرنظرات بیشتر
پس از گذراندن محتوای دوره به صورت آنلاین (بدون دانلود) در سایت مکتبخونه، در صورتی که حد نصاب قبولی در دوره را کسب و تمرین ها و پروژه های الزامی را ارسال کنید، گواهینامه رسمی پایان دوره توسط مکتبخونه به اسم شما صادر شده و در اختیار شما قرار میگیرد.
قابل اشتراکگذاری در
مرجان جلالی مقدم دانش آموخته کارشناسی ارشد هوش مصنوعی (دانشگاه صنعتی امیرکبیر) و دارای مقالات علمی مختلف و ثبت اختراع در حوزه هوش مصنوعی است.
ایشان تجربه فعالیت با عنوان توسعه دهنده و مشاور فنی در حوزه بینایی ماشین و یادگیری ماشین در شرکت های مختلف، تیم لید فنی و توسعه دهنده یادگیری عمیق در شرکت دیجی نکست و هم بنیانگذاری در شرکت ماکو ويژن را در کارنامه داشته و هم اکنون به عنوان مدیرعامل و مدرس بینایی ماشین و یادگیری عمیق فعالیت می کند
اطلاعات بیشتر