Curso Visão Computacional e Reconhecimento de Imagens

Visão Computacional e Reconhecimento de Imagens

Seja muito bem-vindo à nossa Academia

Matricule-se já!

Vídeos Interativos

40 horas de curso

Data de Início

Comece agora

Projeto

Assistente Virtual

Em um mundo onde tiramos fotos o tempo todo, o reconhecimento de imagens tem mostrado avanços consideráveis. Podemos agora buscar e organizar coleções de fotos, mesmo que elas não tenham uma tag de identificação. E isso é feito em apenas alguns segundos.

Vamos pensar sobre isso. Para ser capaz de identificar imagens de cães, uma app precisa ser capaz de identificar qualquer tipo de cão, desde um Chihuahua até um Pastor Alemão e não pode se equivocar com imagens invertidas ou parcialmente obscuras, sob neblina ou neve, no sol ou na sombra. A app deve ainda ser capaz de excluir lobos e gatos. A app precisa identificar um cachorro usando apenas os pixels de uma imagem. Como isso pode ser possível? É o que vamos ajudá-lo a descobrir neste incrível e curso. Estudaremos reconhecimento facial, reconhecimento de objetos em imagens, usaremos um dos mais populares frameworks para visão computacional, o OpenCV e ainda estudaremos reconhecimento de imagens em smartphones Android e iOS.

Por que fazer este curso?

Não existe um número suficiente de profissionais qualificados em Inteligência Artificial no mercado brasileiro e internacional. Este curso permitirá a você se qualificar em uma das áreas com maior demanda profissional atualmente. Com uma metodologia que une teoria e prática na dose certa e com modernos recursos de aprendizagem online, você vai poder aplicar seus conhecimentos através de 1 projeto extraordinário.

Pré-Requisitos (recomendáveis)

Deep Learning

Curso Deep Learning I

Programação

Python Fundamentos para

Análise de Dados

Machine Learning

Curso Machine Learning .

Conteúdo Programático

1. Introdução

Bem-vindo

Navegando pela Data Science Academy

Introdução

O Que é Visão Computacional?
Visão Computacional e Reconhecimento de Imagens
Aplicações Comerciais de Visão Computacional
Outras Aplicações da Visão Computacional ( Medicina, Realidade Aumentada e OCR )
Mais Um (Incrível) Exemplo de Aplicação da Visão Computacional
Tipos de Visão Computacional
Computer Vision x Machine Vision x Processamento de Imagem

Visão Humana x visão Computacional

Problemas da Visão Computacional

Bibliotecas de Computer Vision - OpenCV, SimpleCV, Libccv, ROS, FastCV, BoofCV

Bibliografia e Documentação

Instalando o Servidor de Deep Learning

Configurando o Servidor de Deep Learning
Atualizando o Sistema Operacional e o Anaconda Python
Instalando o OpenCV
Acesso Remoto ao Super Servidor DSA
Bibliografia, Referências e Links Úteis

2. Processamento de Imagens

Introdução

O Que é Uma Imagem?

O Que é Processamento de Imagem?

Instalando Editor de Texto e IDE Python

Aquisição e Leitura de Imagens - Python Imaging Library

Salvando Imagens

Cropping - Extraindo Região de Interesse da Imagem
Espaços de Cores x Canais de Cores
Profundidade da Imagem
Convertendo o Espaço de Cor da Imagem
Transformações Geométricas - Rotação e Redimensionamento
Ajustando Brilho e Constraste
Operações com a Biblioteca Skimage
Introdução ao OpenCV - Open Source Computer Vision Library
Leitura, Visualização de Canais de Cores e Gravação de Imagens
Manipulação de Pixels com OpenCV
Construindo Objetos na Imagem com OpenCV
Exercício - Construindo Objetos na Imagem com OpenCV
Gravando Texto Sobre a Imagem
Shift e Rotação da Imagem
Redimensionamento de Imagem e Aspect Ratio
O Que é Interpolação?
Flipping e Cropping
Aritmética Com Imagens
Operação Bitwise
Aplicando Máscara nas Imagens
Extraindo os Canais de Cores da Imagem
Histograma e Equalização de Imagens
Etapas do Processo de Reconhecimento de Imagens
Mini-Projeto1 - Detecção de Objetos com o SSD
Técnicas Modernas de Detecção de Objetos - SSD - Single Shot MultiBox Detector
Técnicas Modernas de Detecção de Objetos - SSD - O Conceito de MultiBox
Técnicas Modernas de Detecção de Objetos - SSD - Como o SSD Resolve o Problema da Escala
Mini-Projeto 1 - Criando um Modelo SSD (Single Shot MultiBox Detector)
Habilitando Webcam Para Captura de Imagem e Vídeo
Álgebra Linear Parte 1 - Escalares, Vetores, Matrizes e Tensores
Álgebra Linear Parte 2 - Operações Element-wise
Álgebra Linear Parte 3 - Dot Product
Álgebra Linear Parte 4 - Transposta da Matriz
Singular Value Decomposition

3. Filtros e Atributos

Introdução

Seleção de Cores e Contornos da Imagem

Derivada de Imagem, Kernels e Convolução

O Que são Kernels?

Como Funciona a Convolução?

O Que são Filtros?

Smoothing e Blurring

Median Filter
Aplicando o Median Filter
Averaging Filter e Gaussian Blur
Aplicando Averaging Filter e Gaussian Blur
Operações Morfológicas com Imagens
Erosão e Dilatação
Aplicando Erosão
Aplicando Dilatação
Filtros Customizados
Aplicando Filtro Customizado e Definindo o Tamanho do Kernel
Image Thresholding (Binarização)
Aplicando Image Thresholding
Aplicando Image Thresholding Adaptativo
Detecção de Bordas
Aplicando Detecção de Bordas
Gradientes e Detecção de Bordas
Canny Edge Detection
Sobel Edge Detector
Contours
Contours Properties
Espaço de Cor e Iluminação da Imagem
Extração de Recursos com HOG - Histogram of Oriented Gradients
Mini-Projeto2 - Detecção de Objetos em Tempo Real

4. Tratamento e Descritores de Imagens

Introdução

Detector de Faces

Feature Vector (Vetor de Recursos)

Image Descriptor (Descritor de Imagem)

Feature Descriptor (Descritor de Recursos)

Por que Extraímos Vetores de Recursos?

Extraindo Estatísticas dos Canais de Cores e Comparando Imagens

Usando Histogramas como Descritores de Imagens

Aplicando Clusterização K-Means Para Agrupar Elementos de Histogramas de Cores

Caracterizando a Forma de um Objeto em uma Imagem com Estatística

Pesquisando Imagens Por Similaridade

Segmentando a Forma de um Objeto em uma Imagem

Classificando Textura em Imagens com Support Vector Machines

Criando um Engine de Busca de Imagens Baseado em Textura
Extração de Recursos com HOG - Histogram of Oriented Gradients
Usando Machine Learning para Detectar Logos em Imagens
Atributos Locais e Detecção de Pontos de Interesse
Por que os Keypoints São Importantes?
O Que São Keypoints?
Harris Corner Detector
Good Features to Track (GFTT)
Compilando o OpenCV a Partir do Código Fonte
Compilando o OpenCV e Adicionando Módulos Extras Para Extração de Recursos
Scale Invariant Feature Transform (SIFT)
Speeded Up Robust Features (SURF)
Aplicando SIFT e SURF com OpenCV Para Extração de Recursos
Features from Accelerated Segment Test (FAST)
Aplicando Features from Accelerated Segment Test (FAST) com OpenCV
Binary Robust Invariant Scalable Keypoint (BRISK)
Oriented FAST and Rotated BRIEF (ORB)
Feature Matching
Gerando Imagens Panorâmicas
Redimensionamento de Imagens com Base no Conteúdo
Removendo Objetos de Uma Imagem
Mini-Projeto 3 - Construindo um Sistema de Busca de Imagens com Base no Conteúdo

5. Detecção de Faces e Reconhecimento Facial

Introdução

Detecção de Faces x Reconhecimento Facial

Principais Métodos Para Detecção de Faces

Método Haar Cascade Para Detecção de Faces

Como Funciona o Classificador Cascade

Aplicando o Método Haar Cascade

Visualizando a Matriz de Faces Detectadas

Detectando Olhos em Faces

Capturando Vídeos Pela Webcam (Template)
Capturando Fotos Pela Webcam (Template)

Detectando Faces em Vídeos e Pela Webcam em Tempo Real
Eye Tracking em Vídeos em Tempo Real - Problemas e Desafios
Eye Tracking em Vídeos em Tempo Real - Modularizando a Aplicação
Sketch (Esboço) em Vídeos na Webcam em Tempo Real
Encontrando Uma Imagem em Outra Imagem
Face Swapping em Imagens
O Que é Reconhecimento Facial?
Uma Breve História do Reconhecimento Facial
O Algoritmo Eigenfaces
Redução de Dimensionalidade com Principal Component Analysis (PCA)
Fisherfaces - Linear Discriminant Analysis (LDA)
Local Binary Patterns Para Reconhecimento Facial
Recomendações Para Captura de Fotos
Aplicando Reconhecimento Facial com LBP
Aplicando Reconhecimento Facial com Fisherfaces
Aplicando Reconhecimento Facial com Eigenfaces, PCA e SVM
Recomendações Para Captura de Fotos
Criando Seu Próprio Conjunto de Imagens de Treinamento
Construindo Aplicação Para Deteção e Reconhecimento Facial
Mini-Projeto 4 - Detecção de Emoções Faciais em Tempo Real com Deep Learning
Bonus Especial - AWS Rekognition Para Reconhecimento Facial em Nuvem
Bonus Especial - Demo do AWS Rekognition

6. Detecção e Segmentação de Objetos

Introdução

O Que é Classificação de Imagens?

Desafios na Classificação de Imagens
Detecção x Segmentação x Localização
O Que são Redes Neurais Convolucionais?

Segmentação Semântica

Classificação e Localização

Compreendendo a Detecção de Objetos

Arquiteturas Avançadas de Deep Learning Para Visão Computacional
Arquiteturas Avançadas de Detecção de Objetos

Arquitetura R-CNN
Arquitetura Fast R-CNN
Arquitetura Faster R-CNN
YOLO (You Only Look Once) / SSD (Single Shot MultiBox Detector)
Detecção de Objetos em Tempo Real com YOLO - You Only Look Once
Como Funciona o YOLO
Detecção de Objetos em Tempo Real com SSD - Single Shot MultiBox Detector
Segmentação de Instância e Mask R-CNN
Resumo - Detecção de Objetos com Deep Learning
Iniciando Detecção de Objetos com Template Matching
Detecção de Objetos em Diferentes Escalas com Multi-Scale Template Matching
Construindo um Detector de Objetos com HOG e SVM Linear - Definindo o Dataset
Construindo um Detector de Objetos com HOG e SVM Linear - Instalando as Bibliotecas
Construindo um Detector de Objetos com HOG e SVM Linear - Treinando o Detector
Construindo um Detector de Objetos com HOG e SVM Linear - Executando o Detector
Framework Para Construção de um Detector de Objetos
Representação Multi-Escala de uma Imagem
Sliding Window (Janela Deslizante)
Pipeline de Detecção de Objetos - Compreendendo a Estrutura do Framework
Pipeline de Detecção de Objetos - Análise Exploratória dos Dados de Imagens
Pipeline de Detecção de Objetos - Definindo o Tamanho da Sliding Window
Pipeline de Detecção de Objetos - Construindo Descritores HOG
Pipeline de Detecção de Objetos - Treinando Modelo SVM Linear
Pipeline de Detecção de Objetos - Testando o Modelo
Pipeline de Detecção de Objetos - Non-maxima Suppression
Pipeline de Detecção de Objetos - Evitando Falso Positivo
Pipeline de Detecção de Objetos - Detectando Objetos
Mini-Projeto 5 - Detecção e Segmentação de Placas de Veículos
Mini-Projeto 5 - Definindo o Dataset
Mini-Projeto 5 - Localizando Placas de Veículos em Imagens
Mini-Projeto 5 - Segmentação e Reconhecimento de Caracteres
Mini-Projeto 5 - Testando o Detector de Placas de Veículos

7. Processamento de Vídeos e Real-Time Object Detection

Introdução

Operações de Leitura de Vídeos

Operações de Escrita em Vídeos

Convertendo Um Vídeo Para Escala de Cinza

Color Tracking em Vídeos

O Que é Object Tracking?

Object Tracking em Vídeos

Tracking x Detection

Algoritmos de Object Tracking e Detecção de Movimentos

Boosting Tracker e MIL (Multiple Instance Learning) Tracker

Kernelized Correlation Filter (KCF)

Criando um Detector de Movimentos e Object Tracking com KCF
TLD, Medianflow e Goturn Tracker
Classificação e Detecção de Objetos com Deep Learning
Usando um Modelo GoogleNet Pré-Treinado
Classificação de Imagens com Deep Learning
Detecção de Múltiplos Objetos em Imagens com Deep Learning
Detecção de Objetos em Vídeos com Deep Learning e SSD

Mini-Projeto 6 - App Para Detecção de Veículos em Tempo Real

Detecção em Tempo Real com Single Shot MultiBox Detector
Preparando o Ambiente com TensorFlow
Usando SSD Para Detecção de Objetos em Imagens
Usando SSD Para Detecção de Objetos em Vídeos
Escolhendo o Modelo - MobileNetSSD, Inception ou Resnet?
Processamento do Modelo SSD com TensorFlow
Usando SSD Para Detecção de Veículos em Carros Autônomos
Detecção em Tempo Real com YOLO 2.0 - You Only Look Once
Real-Time Object Detection via Webcam com SSD e OpenCV
Criando um Detector de Objetos Customizado
Raspberry Pi e Projetos de Visão Computacional
Instalando o Sistema Operacional no Raspberry Pi
Atualizando o Sistema
Compilando o OpenCV no Raspberry Pi
Instalando e Configurando a Câmera no RaspberryPi
Habilitando a Câmera no RaspberryPi
Capturando e Acessando Imagens com o Raspberry Pi
Capturando e Acessando Vídeos com o Raspberry Pi
Sistema de Segurança com Detecção de Movimentos Real-Time
Sistema de Segurança com Detecção Facial Real-Time

8. Machine Learning Para Classificação de Imagens

Introdução

Tipos de Aprendizagem

O Processo de Classificação de Imagens com Machine Learning

Onde Obter Datasets Públicos Para Treinar Classificadores

Usando KNN Para Classificação de Imagens

Classificação de Imagens com Regressão Logística

Classificação de Imagens com Decision Trees

Melhorando a Performance com Random Forests

Bônus - Reconhecimento Facial em Tempo Real com AWS Rekognition

Webinar Projeto Especial - Segmentação de Imagens Médicas com Deep Learning

9. Deep Learning Para Visão Computacional

Introdução

Como Funcionam as Redes Neurais Convolucionais?

Extração Tradicional de Features x Deep Learning

Redes Neurais Convolucionais - O Que São Convoluções?

Criando Kernels em Python

Ajustando o Padding Para a Convolução

Aplicando Kernels em Imagens

Arquiteturas Avançadas

Compreendendo as Funções das Camadas em Uma Rede Convolucional

Rede Neural Convolucional - Classificação de Imagens

Rede Neural Convolucional - Arquitetura e Parâmetros do Modelo

Implementando Arquitetura LeNet

Implementando Arquitetura KarpathyNet

Implementando Arquitetura MiniVGGNet
Usando o Modelo Treinado Para Classificação de Imagens
Transfer Learning
Transfer Learning na Prática
Treinamento do Modelo
Arquitetura VGG16
Implementando Arquitetura VGG16 - Compreendendo a Arquitetura
Implementando Arquitetura VGG16 - Extraindo as Features
Implementando Arquitetura VGG16 - Treinando um Classificador
Manipulação de Grandes Conjuntos de Dados com Formato HDF5
Exercício - Extraindo Features de Datasets com 100 Classes
Transfer Learning Avançado com Fine-Tuning
Aplicando Transfer Learning com Fine-Tuning
Avaliando a Precisão do Modelo Final com Fine-Tuning
Arquitetura GoogLeNet/Inception V1
Como Funciona o Módulo Inception
Como Surgiu o Módulo Inception
Implementando a Arquitetura GoogLeNet/Inception
Treinando o Modelo em GPU e Avaliando a Performance
Modelo GoogLeNet/Inception Para Competição de Visão Computacional
Treinando o Modelo em GPU e Resolvendo o Problema de Memory Exhausted
Avaliando a Performance e Preparando o Modelo Para Deploy
ResNet e o Módulo Residual
Implementando Arquitetura ResNet
Treinando o Modelo em GPU e Avaliando a Performance
Mini-Projeto 8 - Quebrando Captchas com Deep Learning
Mini-Projeto 9 - Computer Vision as a Service - Definindo a Arquitetura
Mini-Projeto 9 - Computer Vision as a Service - Executando a Aplicação Web
Mini-Projeto 9 - Computer Vision as a Service - Dicas de Como Monetizar a App
Bônus - Segmentação de Instâncias e Detecção de Objetos com Mask R-CNN