Visao Computacional O Guia Completo

Visao Computacional O Guia Completo

What you’ll learn

Entenda a intuição básica sobre o classificador Cascade e HOG (Histogram of Oriented Gradients) para detecção de faces
Implemente detecção de faces com as bibliotecas OpenCV e Dlib
Detecte carros, relógios de parede, olhos e o corpo inteiro de pessoas com o OpenCV
Detecte faces de imagens e pela webcam
Entenda a teoria básica sobre o algoritmo LBPH para reconhecimento facial
Implemente reconhecimento facial utilizando as bibliotecas OpenCV e Dlib
Reconheça faces de imagens e pela webcam
Entenda a teoria básica sobre os algoritmos KCF e CSRT para rastreamento de objetos
Rastreie objetos de vídeos com a biblioteca OpenCV
Implemente redes neurais artificiais densas para classificar imagens
Implemente transferência de aprendizagem e fine tuning obter ótimos resultados em classificação de imagens
Detecte objetos em imagens e vídeos utilizando a moderna técnica YOLO
Crie imagens alucinógenas utilizando a técnica de Deep Dream
Crie imagens que não existem no mundo real com GANs (Generative Adversarial Networks)
Implemente segmentação de imagens para extrair informações úteis de objetos
Aprende a teoria básica sobre redes neurais artificiais e redes neurais convolucionais
Extraia pixels de imagens para enviar para redes neurais artificiais
Compacte imagens utilizando autoencoders
Reconheça ações e gestos com o OpenCV
Aprenda como reviver quadros de artistas famosos com a técnica de transferência de estilo
Extraia textos de imagens utilizando OCR (Optical Character Recognition)

Requirements

Lógica de programação
Programação básica em Python

Description

A Visão Computacional é uma sub-área da Inteligência Artificial responsável pela criação de sistemas capazes de processar, analisar e identificar dados visuais de um modo similar ao humano. Existem muitas aplicações comerciais em várias áreas, como por exemplo: segurança, marketing, tomada de decisão e produção. Smartphones usam visão computacional para desbloquearem celulares utilizando reconhecimento facial, carros autônomos conseguem detectar pedestres e manter uma distância segura de outros veículos e câmeras de segurança identificam se existem pessoas no ambiente para disparar um alarme. Esses são somente alguns exemplos de aplicações comerciais desta área. Os profissionais de visão computacional podem ter salários similares aos das outras áreas de Machine Learning, indo de R$ 5.000 mensais numa posição inicial a R$ 15.000 numa posição sênior.Para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Visão Computacional! Este curso é considerado um guia completo pelo fato de apresentar desde conceitos mais básicos até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções de Visão Computacional que podem ser aplicadas em problemas reais! Veja abaixo alguns dos projetos/tópicos que serão implementados passo a passo:Detecte faces em imagens e vídeos usando as bibliotecas OpenCV e DlibAprenda como reconhecer faces utilizando o algoritmo LBPH do OpenCV e também cálculos de distância com a biblioteca DlibRastreie objetos em vídeos usando os algoritmos KCF e CSRTAprenda a teoria sobre redes neurais artificiais e implemente redes neurais para classificar imagensImplemente redes neurais convolucionais para classificar imagensUtilize transferência de aprendizagem e fine tuning para obter resultados expressivos na classificação de imagensDetecte emoções de imagens e vídeosCompacte imagens utilizando autoencoders e a biblioteca TensorFlowDetecte objetos utilizando YOLO, umas das tecnologias mais robustas atualmenteConverta imagens em textos utilizando OCR (Optical Character Recognition)Reconheça gestos e ações utilizando o OpenCVCrie imagens alucinógenas utilizando a técnica de Deep dreamCombine estilos de imagens utilizando a técnica de transferência de estiloCrie imagens que não existem no mundo real utilizando GANs (Generative Adversarial Networks)Extraia informação útil de imagens utilizando segmentação de imagensCada tipo de problema requer técnicas diferentes para sua solução, portanto, conhecendo todas as áreas da Visão Computacional você saberá que técnicas utilizar nos mais variados tipos de cenários! Durante o curso, vamos utilizar a linguagem de programação Python, o Google Colab e também a IDE PyCharm. Este é o curso ideal caso seja seu primeiro contato com Visão Computacional, pois você aprenderá a teoria básica e a prática de todos os tópicos! Caso você seja de nível mais avançado, você pode utilizar esse curso como uma referência sobre a área.

Overview

Section 1: Introdução

Lecture 1 Boas-vindas e conteúdo do curso

Lecture 2 Mais sobre Visão Computacional

Lecture 3 Recursos para download

Section 2: Detecção de faces

Lecture 4 Introdução

Lecture 5 Imagens e pixels

Lecture 6 Classificador cascade – intuição

Lecture 7 Carregamento e pré-processamento da imagem

Lecture 8 Detecção de faces com haarcascade e OpenCV

Lecture 9 Parâmetros haarcascade 1

Lecture 10 Parâmetros haarcascade 2

Lecture 11 Detecção de olhos com haarcascade

Lecture 12 EXERCÍCIO – detecção de outros objetos

Lecture 13 Solução para o exercício

Lecture 14 HOG (Histrograms of Oriented Gradients) – intuição

Lecture 15 Detecção de faces com HOG e Dlib

Lecture 16 Detecção de faces com CNN e Dlib

Lecture 17 EXERCÍCIO – haarscascade x HOG x CNN

Lecture 18 Solução o exercício

Lecture 19 Anaconda e PyCharm

Lecture 20 Detecção de faces pela webcam

Lecture 21 Material complementar

Section 3: Reconhecimento facial

Lecture 22 Introdução

Lecture 23 Algoritmo LBPH – intuição

Lecture 24 Base de dados de faces

Lecture 25 Pré-processamento das imagens

Lecture 26 Treinamento do classificador LBPH

Lecture 27 Reconhecimento de faces com LBPH

Lecture 28 Avaliação do classificador LBPH

Lecture 29 Parâmetros do LBPH – intuição

Lecture 30 Parâmetros do LBPH – implementação

Lecture 31 Detecção de pontos faciais

Lecture 32 Detecção de descritores faciais 1

Lecture 33 Detecção de descritores faciais 2

Lecture 34 Cálculo de distância entre faces

Lecture 35 Reconhecimento facial com Dlib

Lecture 36 Avaliação do classificador com Dlib

Lecture 37 EXERCÍCIO

Lecture 38 Solução o exercício

Lecture 39 Reconhecimento facial pela webcam

Lecture 40 Material complementar

Section 4: Rastreamento de objetos

Lecture 41 Introdução

Lecture 42 Rastreamento de objetos vs Detecção de objetos

Lecture 43 Algoritmos KCF e CSRT

Lecture 44 Rastreamento de objetos com KCF

Lecture 45 Rastreamento de objetos com CSRT

Lecture 46 EXERCÍCIO

Lecture 47 Solução o exercício

Lecture 48 Material complementar

Section 5: Redes neurais para classificação de imagens

Lecture 49 Introdução

Lecture 50 Perceptron de uma camada

Lecture 51 Redes multicamada – função soma e função de avaliação

Lecture 52 Redes multicamada – cálculo do erro

Lecture 53 Descida do gradiente

Lecture 54 Cálculo do parâmetro delta

Lecture 55 Ajuste dos pesos com backpropagation

Lecture 56 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 57 Pixels e redes neurais

Lecture 58 Importação das bibliotecas

Lecture 59 Extração de pixels de imagens 1

Lecture 60 Extração de pixels de imagens 2

Lecture 61 Normalização dos pixels

Lecture 62 Bases de treinamento e teste

Lecture 63 Construção e treinamento da rede neural

Lecture 64 Avaliação da rede neural

Lecture 65 Salvar e carregar a imagem

Lecture 66 Classificação de uma única imagem

Lecture 67 Extração de características de imagens

Lecture 68 Extração de características com o OpenCV 1

Lecture 69 Extração de características com o OpenCV 2

Lecture 70 Extração de características com o OpenCV 3

Lecture 71 Extração de características com o OpenCV 4

Lecture 72 Extração de características com o OpenCV 5

Lecture 73 Bases de treinamento e teste

Lecture 74 Construção e treinamento da rede neural

Lecture 75 Avaliação da rede neural

Lecture 76 Salvar, carregar e classificar uma imagem

Lecture 77 EXERCÍCIO

Lecture 78 Solução para o exercício

Lecture 79 Material complementar

Section 6: Redes neurais convolucionais para classificação de imagens

Lecture 80 Introdução

Lecture 81 Introdução a redes convolucionais 1

Lecture 82 Introdução a redes convolucionais 2

Lecture 83 Operador de convolução

Lecture 84 Operador de convolução 2

Lecture 85 Pooling

Lecture 86 Flatenning

Lecture 87 Rede neural densa

Lecture 88 Importação das bibliotecas

Lecture 89 Carregamento das imagens

Lecture 90 Bases de treinamento e teste

Lecture 91 Construção e treinamento da rede neural

Lecture 92 Avaliação da rede neural

Lecture 93 Salvar e carregar a rede neural

Lecture 94 Classificação de uma única imagem

Lecture 95 EXERCÍCIO

Lecture 96 Solução para o exercício

Lecture 97 Material complementar

Section 7: Transferência de aprendizagem e fine tuning

Lecture 98 Introdução

Lecture 99 Transferência de aprendizagem – intuição

Lecture 100 Importação das bibliotecas e base de dados

Lecture 101 Base de treinamento e teste

Lecture 102 Rede neural pré-treinada

Lecture 103 Criação da camada densa personalizada

Lecture 104 Construção e treinamento da rede neural

Lecture 105 Avaliação da rede neural

Lecture 106 Fine tuning – intuição

Lecture 107 Fine tuning – implementação e avaliação

Lecture 108 Carregar, salvar e classificar uma única imagem

Lecture 109 EXERCÍCIO

Lecture 110 Solução para o exercício

Lecture 111 Material complementar

Section 8: Redes neurais para classificação de emoções

Lecture 112 Introdução

Lecture 113 Importação das bibliotecas e imagens

Lecture 114 Bases de treinamento e teste

Lecture 115 Construção e treinamento da rede neural

Lecture 116 Salvar e carregar a rede neural

Lecture 117 Avaliação da rede neural

Lecture 118 Classificação de uma única imagem

Lecture 119 Classificação de múltiplas imagens

Lecture 120 Classificação de emoções em vídeos

Lecture 121 EXERCÍCIO

Lecture 122 Solução para o exercício

Lecture 123 Material complementar

Section 9: Autoencoders

Lecture 124 Introdução

Lecture 125 Autoencoders – intuição

Lecture 126 Tipos de autoencoders

Lecture 127 Importação das bibliotecas e base de dados

Lecture 128 Visualização das imagens

Lecture 129 Pré-processamento das imagens

Lecture 130 Construção e treinamento do autoencoder linear

Lecture 131 Codificação das imagens

Lecture 132 Decodificação das imagens

Lecture 133 Codificação e decodificação das imagens de teste

Lecture 134 Autoencoder convolucional 1

Lecture 135 Autoencoder convolucional 2

Lecture 136 Autoencoder convolucional 3

Lecture 137 Autoencoder convolucional 4

Lecture 138 EXERCÍCIO

Lecture 139 Solução para o exercício

Lecture 140 Material complementar

Section 10: Detecção de objetos com YOLO

Lecture 141 Introdução

Lecture 142 YOLO – introdução

Lecture 143 YOLO – arquitetura

Lecture 144 Download e compilação do Darknet

Lecture 145 Testes com o detector YOLO

Lecture 146 Darknet com GPU

Lecture 147 Parâmetros do detector

Lecture 148 Detecção de objetos em vídeos

Lecture 149 EXERCÍCIO

Lecture 150 Solução para o exercício

Lecture 151 Material complementar

Section 11: Reconhecimento de textos com OCR e Tesseract

Lecture 152 Introdução

Lecture 153 Introdução ao Tesseract

Lecture 154 Instalação do Tesseract

Lecture 155 Primeiro reconhecimento de texto

Lecture 156 Suporte para o idioma Português

Lecture 157 Parâmetro PSM (Page Segmentation Mode)

Lecture 158 EXERCÍCIO

Lecture 159 Solução para o exercício

Lecture 160 Material complementar

Section 12: Reconhecimento de gestos e ações

Lecture 161 Introdução

Lecture 162 Reconhecimento de gestos e ações – intuição

Lecture 163 Importação das bibliotecas e imagem

Lecture 164 Carregamento da rede neural pré-treinada

Lecture 165 Detecção de pontos corporais 1

Lecture 166 Detecção de pontos corporais 2

Lecture 167 Detecção de movimentos em imagens

Lecture 168 Detecção de movimentos em vídeos 1

Lecture 169 Detecção de movimentos em vídeos 2

Lecture 170 EXERCÍCIO

Lecture 171 Solução para o exercício

Lecture 172 Material complementar

Section 13: Deep dream

Lecture 173 Introdução

Lecture 174 Deep dream – intuição

Lecture 175 Carregamento da InceptionNet

Lecture 176 Carregamento e pré-processamento da imagem

Lecture 177 Ativações da rede neural

Lecture 178 Cálculo do erro

Lecture 179 Subida do gradiente

Lecture 180 Geração das imagens

Lecture 181 EXERCÍCIO

Lecture 182 Solução para o exercício

Lecture 183 Material complementar

Section 14: Transferência de estilo

Lecture 184 Introdução

Lecture 185 Transferência de estilo – introdução

Lecture 186 Carregamento da VGG19

Lecture 187 Carregamento e pré-processamento das imagens

Lecture 188 Construção da rede neural 1

Lecture 189 Construção da rede neural 2

Lecture 190 Construção da rede neural 3

Lecture 191 Construção da rede neural 4

Lecture 192 Treinamento da rede neural 1

Lecture 193 Treinamento da rede neural 2

Lecture 194 Visualização ds resultados

Lecture 195 EXERCÍCIO

Lecture 196 Solução para o exercício

Lecture 197 Material complementar

Section 15: GANs (Generative adversarial networks)

Lecture 198 Introdução

Lecture 199 GANs – intuição

Lecture 200 Carregamento da base de dados

Lecture 201 Construção do gerador 1

Lecture 202 Construção do gerador 2

Lecture 203 Construção do discriminador

Lecture 204 Cálculo do erro

Lecture 205 Treinamento da GAN 1

Lecture 206 Treinamento da GAN 2

Lecture 207 EXERCÍCIO

Lecture 208 Solução para o exercício

Lecture 209 Material complementar

Section 16: Segmentação de imagens

Lecture 210 Introdução

Lecture 211 Segmentação de imagens – intuição

Lecture 212 Download do repositório

Lecture 213 Aviso sobre atualização no Colab

Lecture 214 Importação das bibliotecas

Lecture 215 Carregamento da rede neural pré-treinada

Lecture 216 Detecção de objetos

Lecture 217 Remoção do fundo 1

Lecture 218 Remoção do fundo 2

Lecture 219 EXERCÍCIO

Lecture 220 Solução para o exercício

Lecture 221 Material complementar

Section 17: Considerações finais

Lecture 222 Considerações finais

Lecture 223 AULA BÔNUS

Iniciantes na área de Visão Computacional,Alunos de graduação e pós-graduação que estão cursando disciplinas sobre Visão Computacional, Inteligência Artificial, Processamento Digital de Imagens ou Computação Gráfica,Pessoas que querem implementar seus próprios projetos utilizando técnicas de Visão Computacional,Cientistas de Dados que queiram aumentar o seu portfólio de projetos,Profissionais que queiram aprender como usar visão computacional para solucionar problemas reais

Course Information:

Udemy | Português | 24h 25m | 9.60 GB
Created by: Jones Granatyr

You Can See More Courses in the Developer >> Greetings from CourseDown.com