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
