Компьютерное зрение — это область искусственного интеллекта, которая связана с анализом изображений и видео. Нейронные сети активно используют эту технологию, чтобы создавать компьютерных роботов и чат-ботов. Это продукты крупнейших ИТ-компаний мира — Amazon, Apple, Яндекс, Google и других. Задача специалиста по компьютерному зрению — научить алгоритмы уверенно ориентироваться в окружающем мире и свести к минимуму системные ошибки в коде.

Мы сделали подборку онлайн-курсов по компьютерному зрению. На занятиях вы узнаете все о нейронах и нейронных сетях, построите свою первую нейронную сеть. Вы освоите современные техники, методы, подходы, архитектуры и алгоритмы в этой области и сможете решать реальные индустриальные задачи.

С помощью специальных инструментов вы научитесь:

• классифицировать изображения и сегментировать их;
• определять и отслеживать объекты на видео;
• обрабатывать и анализировать трехмерные сцены;
• распознавать лица и людей по силуэту;
• генерировать и реконструировать изображения.

Skillbox

Специалист по компьютерному зрению дронов и нейросетям

Через 8 месяцев обучения вы сможете писать код для роботов
на Python, чтобы учить машины видеть и анализировать данные предметов вокруг — от тостера до складской руки-манипулятора. С этим навыком вы сможете решать индустриальные задачи: учить дроны рисовать карты и сканировать состояние полей,
делать системы безопасности на производстве и много чего ещё!

Программа курса:

• Python для инженеров
• Основы разработки на Python
• Расширенные возможности Python
• Символьные и численные расчёты
• Визуализация данных
• Обработка и первичный анализ да
• Взаимодействие с операционной системой и оборудованием

Как проходит обучение:

1. Теория
2. Практическое задание
3. Работа над ошибками
4. Финальная работа

OTUS

Компьютерное зрение

Курс позволит овладеть практическими навыками решения задач Computer Vision. Вы узнаете как применять современные методы Deep Learning, а также классические алгоритмы, для решения задач связанных с обработкой, анализом и генерацией изображений, видео и трехмерных сцен, а также научитесь обучать, тестировать и оптимизировать модели нейронных сетей для решения этих задач, что откроет вам новые карьерные горизонты в области Computer Vision.

Необходимые знания:

• Базовое знакомство с Python
• Базовые знания линейной алгебры (матрицы, векторы, градиентный спуск)
• Базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)

Что даст курс:

Вы освоите современные техники, методы, подходы, архитектуры и алгоритмы в области Computer Vision и сможете решать индустриальные задачи, используя полученные навыки. По ходу курса вы будете создавать и обучать модели нейронных сетей для решения таких задач как:

1. Классификация и сегментация изображений
2. Детекция и отслеживание объектов на видео
3. Обработки и анализа трехмерных сцен
4. Распознавание лиц и людей по силуэту
5. Генерация и реконструкция изображений
6. Описание действий, происходящих на видео
7. Оптимизация и ускорение работы нейросетей
8. Развертывание моделей в продакшн

Бауманский учебный центр «Специалист»

Нейронные сети. Компьютерное зрение и чтение

Нейронные сети — прочно закрепившаяся современная технология обработки контента. На сегодняшний день многие компьютерные IT корпорации используют эту технологию для создания компьютерных роботов, чат-ботов. Наиболее известные из них Alexa (Amazon), Siri (Apple), Алиса(Yandex), O’key Google, Google Translate (Google) созданы именно с использованием данной технологии.

В данном курсе будет рассмотрен ряд нейронных сетей реализованных средствами Python с использованием библиотеки Tensorflow, а именно PyTorch, разработанной в 2017 году. Данные алгоритмы составляют базу для решения задач по компьютерному зрению и чтению, но не исчерпывают ее, поскольку область эта непрерывно развивается и совершенствуется.

Программа курса:

1. Введение в курс
2. Введение в нейронные сети
3. Что такое PyTorch?
4. Зачем использовать тензоры?
5. Технические требования
6. Облачные возможности
7. Что такое тензоры
8. Операции с тензорами
9. Практикум по теме

Вы научитесь:

• взаимодействовать с тензорами в Python
• познакомитесь с основами PyTorch
• углубите свои знания по Python
• познакомитесь с обработкой изображений средствами нейронных сетей и Python
• познакомитесь с обработкой речи и текста

Академия Высоких Технологий

Компьютерное зрение. Базовый уровень.

Курс основан на решении задач беспилотного автомобиля по детектированию
и распознаванию пешеходов, светофоров, дорожных знаков и разметки. Для отработки задач автономного движения на практике используется образовательный учебный беспилотный автомобиль АЙКАР и испытательные полигоны АЙКАР Стенд. Ключевая задача Айкара – двигаться по своей полосе дорожного полотна, соблюдая правила дорожного движения и корректно реагируя на внешние элементы: дорожные знаки, сигналы светофора и приближение пешеходов.

Язык программирования: Python

В ходе курса Вам предстоит писать программы на языке Python. Для этого необходимо установить Python, среду разработки и подключить библиотеку OpenCV. На нашем сайте представлены подробные инструкции по установке необходимого ПО. В некоторых уроках курса вам предстоит работать с кодом в Google Colab. Мы записали поясняющее видео о том, что это и как начать им пользоваться.

Как правило, уроки начинаются с теоретической части. Бывает такое, что Вы смотрите теоретическую часть и ничего не понимаете. Это не повод бросать занятие! Не волнуйтесь: все сложные моменты теории подробно разбираются в практической части урока.

Stepik

Нейронные сети и компьютерное зрение

Этот курс – победитель премии «Stepik Awards 2019». Авторы курса – эксперты Samsung AI Center, занимающиеся задачами машинного зрения – передают свой практический опыт и интуитивное понимание принципов работы нейронных сетей для компьютерного зрения. А еще курс является частью трека по искусственному интеллекту социально-образовательной программы для вузов «IT Академия Samsung», которая стартовала в 2019 году в МГУ и ЮФУ.

Программа курса:

1. Нейрон и нейронная сеть
2. Строим первую нейронную сеть
3. Задачи, решаемые при помощи нейронных сетей
4. Методы оптимизации
5. Свёрточные нейронные сети
6. Регуляризация и нормализация
7. Метод максимального правдоподобия и большой финал

Открытое образование

В рамках онлайн-курса от НИУ ВШЭ слушатели познакомятся со всеми основными задачами, возникающими в компьютерном зрении. Научатся работать с изображениями как классическими методами, так и с помощью глубокого обучения. Помимо обработки отдельно взятых изображений, курс затрагивает восстановление и работу с 3D объектами. Полученные знания будут подкреплены практикой на языке Python.

Онлайн-курс охватывает основные задачи компьютерного зрения. В рамках курса слушатели дистанционно научатся программно обрабатывать изображения, поймут, на чем основаны все фоторедакторы. Затем они познакомятся с глубинным обучением для основных задач, возникающих в зрении, а именно классификации, сегментации и детекции. В дополнение к задаче с учителем, слушатели познакомятся с генеративными моделями. Кроме того, в рамках курса слушатели узнают о поведении нейронных сетей для задачи зрения, и о признаках, что они порождают, научатся с ними работать.

Программа курса:

1. Азы работы с изображениями.
2. Границы и признаки.
3. Задача классификации.
4. Задачи переноса стиля и поиска изображений по содержанию.
5. Детекция объектов.
6. Сегментация изображений.
7. Генеративно-состязательные модели.
8. Геометрия камеры.
9. Оценка глубины.
10. 3D графика в компьютерном зрении.
11. Сегментация и детекция в облаках точек.

Результаты обучения:

• Обработка изображений алгоритмами классического зрения;
• Классификация изображений;
• Работа с признаками нейронных сетей;
• Детекция на изображениях и облаках точек;
• Сегментация изображений и облаков точек;
• Восстановление глубины.

PyMagic

Easy Computer Vision — курс для начинающих

Преподаватели погрузят вас в область Compuer Vision. Вы познакомитесь с современными подходами к
решению популярных задач CV с использованием актуальных софтверных инструментариев и современных
вычислительных ресурсов, на практике реализуете классификацию изображений, детектирование объектов,
сегментацию сцены и другие задачи из области

Программа курса:

1. Введение в компьютерное зрение. Знакомство с природой изображения
2. Развитие методов классификации изображений. Общие принципы построения и функционирован
3. Детектирование объектов
4. Сегментирование сцены
5. Глубокие нейросетевые модели для классификации изображений. Эволюция сверточных кодиров
6. Коррекция цветовой гаммы изображения. Цветовые фильтры
7. Трекинг объектов в видеопотоке

Что входит в тариф:

• 8 видео-лекций (длительность ~4560 мин)
• 8 видео-семинаров (длительность ~3060 мин)
• 8 практических заданий на решение актуальных задач CV современными методами
• Мастер-классы с практическими примерами новейших технологий в Computer Vision от приглашенных экспертов из области
• Поддержка кураторов в чате Discord
• Доступ к материалам 1 год
• Сертификат об окончании
• Список дополнительных материалов
• Комьюнити. Доступ к чату с практикующими специалистами

Лекции МГУ имени М. В. Ломоносова

Компьютерное зрение

Лекция 1. Понятие о компьютерном зрении. Цветовые модели.
Понятие о компьютерном зрении Марра Алгоритм поиска лиц Viola-Jones Глубинное обучение Цифровое изображение Камера обскура Перспективные искажения Современная камера Свет и цвет Восприятие цвета Модели цвета Закон аддитивности Грассмана Модель CIE RGB Нелинейность яркости Модель sRGB Модель HSV Первые цветные фотографии Особенности человеческого зрения Тональная и цветовая коррекция изображения Оценка параметров цветокоррекции

Лекция 2. Сопоставление изображений.
Совмещение изображений Построение панорамы Перспективная проекция 3D преобразование изображений Гомография Цилиндрические и сферические координаты Прямое выравнивание и метрики Пирамида изображений Особенности объекта Детектор Харриса Инвариантность Детектора Харриса Поиск пятен (блобов) Многомасштабный детектор блобов Дескрипторы Оценка ориентации градиента RANSAC Функции качества M-SAC Алгоритм сопоставления изображений

Лекция 3. Классификация и поиск похожих изображений.
Классификация изображений и атрибуты объектов Создание коллекций Кластеризация «Мешок слов» Локальные бинарные шаблоны Метод «визуальных слов» Поиск похожих изображений

Лекция 4. Введение в сверточные нейросети.
Модель Маккалока-Питтса Градиентный метод обучения Задание нейросети Линейный персептрон Обучение персептрона Проблемы обучения нейросетей Нейросети для обработки изображений Сверточные сети Переобучение

Лекция 5. Развитие нейросетевых методов.
Визуализация работы нейросети UMAP — визуализация Нейросетевые признаки Дообучение AlexNet Spatial Pyramid Pooling VGG архитектура Архитектура Inception Проблема глубины нейросети Residual net DenseNet Нейросетевые признаки для поиска похожих изображений Полносвязные и сверточные дескрипторы Triplet-loss

Cischoo

Компьютерное зрение

Вы освоите принципы машинного обучения в области компьютерного зрения и сможете решать индустриальные задачи, используя открытые датасеты.

По ходу курса вы обучите нейросети для решения задач: 

• классификации и сегментации изображений
• детекции объектов на изображениях
• отслеживания объектов на видео
• обработки трехмерных сцен
• порождения изображений и атаки на обученные модели нейронных сетей
• научитесь пользоваться основными фреймворками для создания нейросетей: PyTorch, TensorFlow и Keras.

Программа курса:

1. Компьютерное зрение: задачи, инструменты и программа курса
2. Сверточные нейронные сети. Операции свертки, транспонированной свертки, пуллинг
3. Эволюция сверточных сетей: AlexNet- >EfficientNet
4. Подготовка и аугментация данных
5. OpenCV. Классические подходы
6. Стандартные датасеты и модели в PyTorch на примере Fine-tuning
7. Object detection 1. Постановка задачи, метрики, данные, R-CNN
8. TensorRT и инференс на сервере

Получаемые знания и навыки:

• Будете работать с открытыми датасетами для различных задач Computer Vision
• Разберетесь в принципах работы и вариантах сверточных и пулинг-слоев, в том числе, специфических для задач детекции и сегментации объектов.
• Научитесь применять механизм внимания в сверточных сетях.
• Узнаете, какие идеи лежат в основе современных сверточных сетей (MobileNet, ResNet, EfficientNet, etc.)
• Разберетесь в DL-подходах к детекции объектов — изучите семейство R-CNN, реалтайм-детекторы: YOLO, SSD. А также реализуете детектор объектов самостоятельно.
• Научитесь решать задачу Deep Metric Learning с помощью сиамских сетей. Узнаете, что такое triplet loss, angular loss.
• Получите опыт в решении задачи сегментации изображений: U-Net, DeepLab.
• Научитесь применять fine tuning, transfer learning и собирать собственные датасеты для задач object detection и Image segmentation, metric learning.

Robotdreams

Computer vision

На курсе вы получите систематизированные знания в области machine learning и deep learning, научитесь строить и тренировать нейронные сети с помощью TensorFlow и Keras и писать программы для обработки изображений и видео. В результате сможете добавлять фичи с использованием Computer Vision в свой проект.

Задача специалиста по компьютерному зрению – научить алгоритмы уверенно ориентироваться в окружающем мире и свести к минимуму системные баги. Задача robot_dreams – помочь разобраться в инструментах и подходах, применяемых для реализации CV-проектов.

Вы начнете обучение с пиксельных операций и создания программ обработки цифровых фото. Затем научитесь проводить базовые манипуляции с изображением и видео: фильтрация и выделение границ, кодирование и компрессия, классификация, детекция, трекинг и сегментация. А после — строить и тренировать нейронные сети.

Deepschool

Прокачайтесь в Computer Vision

В первом проекте вы создадите сервис классификации спутниковых снимков. Вам предстоит обучить нейросеть и обернуть ее инференс в web-сервис. Ваше решение будет состоять из двух частей: моделинг классификации и разработка сервиса. В первой части вы обучите нейросеть на выбранном фреймворке, настроите логирование экспериментов и версионирование моделей. Все так, будто вы работаете в крупной команде. Во второй части вы напишите сервис, добавите к нему тесты, обернете в докер, настроите CI и автоматизируете деплой на сервер.

В этом проекте вы также будете учить нейросети и деплоить сервис. Но данных теперь не будет. Вам предстоит собрать их на платформе Толока, создав реальные проекты для реальных людей. Помимо этого в сервисе теперь будет несколько нейросетей, связанных в единый пайплайн распознавания текста. Вам надо учесть это при планировании архитектуры. Также в отличие от первого проекта, вам следует добавить мониторинг в свое приложение. Вы можете выбрать как решать задачу: через сегментацию и постобработку результата, через детекцию или без сетей вовсе (только классический CV, только хардкор!) –– или сделайте все 3 решения, мы дадим ревью на каждое из них!

ЦФТ

Computer Vision

ШИФТ — это проект ЦФТ для тех, кто хочет развиваться в ИТ и финтехе. Здесь ты за 2-3 месяца получишь комплексные знания в рамках выбранного направления от экспертов ЦФТ. Цель проекта – твой профессиональный рост и оптимальная интеграция в команду ЦФТ. Участие в проекте бесплатное, поскольку организаторы нацелены на подготовку  будущих специалистов. Если ты хочешь работать с нейронными сетями и у тебя есть базовые знания, но тебе пока не хватает нужных скиллов, преподаватели помогут сделать первый шаг.

За время участия в проекте ты:

• получишь действительно полезные теоретические материалы и закрепишь их на практике
• создашь собственную CV-модель
• превратишь CV-модель в рабочий сервис
• в конце обучения защитишь свой проект

Содержание курса:

1. Обзор инструментов: Gitlab, IDE, linter
2. Работа с sql подобными базами
3. Обработка данных
4. Классика CV
5. Схемы кроссвалидаций
6. Задачи Computer vision
7. Метрики CV
8. Обзор инструментов, пайплайна
9. Продвинутая Классификация
10. Attention и архитектуры трансформеров в CV
11. Сегментация
12. Детекция: multishot, single shot
13. Как искать лица, поиск соседей, arcface
14. OCR: CRNN, трансформеры, CTC loss, beam search, LM-ки для OCR