Deteccao de Objetos com YOLO Darknet OpenCV e Python

Aprenda a detectar mais de 600 tipos de objetos em imagens e vídeos usando a moderna arquitetura de Deep Learning YOLO!
Deteccao de Objetos com YOLO Darknet OpenCV e Python
File Size :
4.77 GB
Total length :
9h 37m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 11/2020

Ratings

4.6/5

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

Deteccao de Objetos com YOLO Darknet OpenCV e Python

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

New Courses

Scroll to Top