Deteccao de Objetos com YOLO Darknet OpenCV e Python
What you’ll learn
Detecte objetos em imagens e vídeos utilizando a moderna arquitetura YOLO
Implemente o YOLO utilizando o framework Darknet e a biblioteca OpenCV com o Python
Entenda a teoria básica sobre detecção de objetos e arquitetura YOLO
Treine seu próprio detector personalizado utilizando as GPUs gratuitas do Google Colab
Requirements
Lógica de programação, principalmente estruturas condicionais e de repetição (if e for)
Conhecimentos básicos sobre Python são desejáveis
Conhecimentos básicos sobre o OpenCV são desejáveis (não obrigatório)
Description
Dentro da área da Visão Computacional existe a sub-área de detecção de objetos, que visa encontrar objetos personalizados em imagens e vídeos e é muito utilizada em carros autônomos, os quais precisam identificar pedestres e outros veículos para evitar colisões, bem como reconhecer placas de trânsito para seguir uma direção segura. Essas técnicas também podem ser utilizadas para detectar praticamente qualquer tipo de objeto em imagens ou vídeos, como por exemplo: relógios, placas de veículos, animais, faces de pessoas, celulares, logo de empresas dentre vários outros! Em resumo, você pode treinar um classificador para qualquer tipo de cenário!Existem diversas técnicas dentro deste cenário, porém, a que mais se destaca e que possui resultados incríveis é chamada de YOLO (You Only Look Once) e consiste na utilização de Redes Neurais Convolucionais da área de Deep Learning (redes neurais profundas). Muitas grandes empresas estão utilizando essa técnica para diversos tipos de aplicações comerciais, como por exemplo, utilização em carros autônomos, robôs humanoides, sistemas de segurança e defesa, rastreamento de objetos e automação industrial. Atualmente o YOLO é considerado o estado da arte em detecção de objetos em tempo real. A sua quarta versão (YOLOv4) apresentou melhoras significativas tanto em velocidade quanto em precisão, superando o resultado de todos os melhores detectores concorrentes até o momento de sua publicação. E para levar você até essa área, neste curso você aprenderá na prática como utilizar o YOLO para detectar mais de 600 objetos diferentes em imagens e vídeos, utilizando a linguagem Python, o framework Darknet e também a biblioteca OpenCV! Todos os exemplos serão implementados passo a passo utilizando o Google Colab, ou seja, você não precisa se preocupar com instalações e configurações de bibliotecas em sua máquina, pois tudo será desenvolvido on-line utilizando as GPUs do Google! Além de utilizar os recursos prontos do YOLO, você também aprenderá a construir sua própria base de dados de imagens caso precise treinar um detector de objetos personalizado! Confira os tópicos do curso:Teoria básica sobre detecção de objetosComo o YOLO funcionaDetecção de objetos em imagens e vídeos, utilizando o framework Darknet e a biblioteca OpenCVCriação de bases de dados para o treinamento de detectores personalizadosTeoria sobre redes neurais artificiais e redes neurais convolucionaisYOLO é considerada a arquitetura mais eficiente e moderna para detecção de objetos, que muitas empresas estão utilizando em seus projetos comerciais! Você está preparado(a) para dar um importante passo na sua carreira? Aguardamos você no curso!
Overview
Section 1: Introdução
Lecture 1 Boas-vindas e conteúdo do curso
Lecture 2 Mais sobre Inteligência Artificial
Lecture 3 Detecção de objetos – visão geral
Lecture 4 Detecção de objetos com YOLO
Lecture 5 Funcionamento básico do YOLO
Lecture 6 Histórico do YOLO
Lecture 7 Arquitetura do YOLO
Lecture 8 Recursos para download
Section 2: Detecção de objetos com YOLO e Darknet
Lecture 9 Configuração do ambiente
Lecture 10 Testando o detector
Lecture 11 YOLO com suporte a GPU
Lecture 12 Detecção de mais objetos
Lecture 13 Detecção com imagens personalizadas
Lecture 14 Armazenamento dos arquivos do YOLO
Lecture 15 Parâmetros threshold e ext_output
Lecture 16 Detecção com outros modelos
Section 3: Detecção de objetos com YOLO e OpenCV
Lecture 17 Importação das bibliotecas
Lecture 18 Carregamento do YOLO
Lecture 19 Camadas de saída YOLO
Lecture 20 Pré-processamento da imagem
Lecture 21 Detecção de objetos
Lecture 22 Non-max supression e resultados
Lecture 23 Explorando mais o OpenCV
Lecture 24 Redimensionamento da imagem
Lecture 25 Definição das funções e resultados
Lecture 26 Detecção em múltiplas imagens
Lecture 27 Contagem de objetos em múltiplas imagens
Lecture 28 Detecção somente de objetos específicos
Lecture 29 Melhorias na visualização
Section 4: Detecção de objetos em vídeos – Darknet e OpenCV
Lecture 30 Darknet em vídeos – preparação do ambiente
Lecture 31 Darknet em vídeos – detecção 1
Lecture 32 Darknet em vídeos – detecção 2
Lecture 33 OpenCV em vídeos – preparação do ambiente
Lecture 34 OpenCV em vídeos – detecção 1
Lecture 35 OpenCV em vídeos – detecção 2
Lecture 36 OpenCV e GPU
Lecture 37 Informações sobre o YOLOv3
Section 5: Detecção de objetos personalizados
Lecture 38 Criação da base de imagens 1
Lecture 39 Criação da base de imagens 2
Lecture 40 Criação da base de imagens 3
Lecture 41 Criação da base de imagens 4
Lecture 42 Treinamento do YOLO 1
Lecture 43 Treinamento do YOLO 2
Lecture 44 Treinamento do YOLO 3
Lecture 45 Precision e recall
Lecture 46 Outras métricas de avaliação
Lecture 47 Dicas sobre avaliação
Lecture 48 Criação do seu dataset de imagens manualmente
Section 6: Considerações finais
Lecture 49 Material complementar
Lecture 50 Considerações finais
Section 7: Anexo I – Redes Neurais Artificiais
Lecture 51 Perceptron de uma camada
Lecture 52 Redes multicamada – função soma e função de ativação
Lecture 53 Redes multicamada – cálculo do erro
Lecture 54 Descida do gradiente
Lecture 55 Cálculo do parâmetro delta
Lecture 56 Ajuste dos pesos com backpropagation
Lecture 57 Bias, erro, descida do gradiente estocástica e mais parâmetros
Section 8: Anexo II – Redes Neurais Convolucionais
Lecture 58 Introdução a redes neurais convolucionais 1
Lecture 59 Introdução a redes neurais convolucionais 2
Lecture 60 Etapa 1 – operador de convolução (introdução)
Lecture 61 Etapa 1 – operador de convolução (cálculo)
Lecture 62 Etapa 2 – pooling
Lecture 63 Etapa 3 – flattening
Lecture 64 Etapa 4 – rede neural densa
Section 9: Bônus
Lecture 65 AULA BÔNUS
Pessoas interessadas em aprender a arquitetura YOLO na teoria e prática,Pessoas interessadas em detecção de objetos personalizados,Pessoas interessadas na área de Visão Computacional,Alunos de graduação que cursam disciplinas de Computação Gráfica, Processamento Digital de Imagens ou Inteligência Artificial
Course Information:
Udemy | Português | 9h 37m | 4.77 GB
Created by: Jones Granatyr
You Can See More Courses in the Developer >> Greetings from CourseDown.com