دوره آموزشی کامپیوتر ویژن در رزبری پای 4

جزئیات دوره

برنامه های کاربردی بیشتر و بیشتری از بینایی کامپیوتر برای شناسایی و تشخیص اشیا استفاده می کنند. این برنامه‌ها معمولاً روی رایانه‌های بزرگ اجرا می‌شوند، اما توسعه‌دهندگان می‌توانند با اجرای آن‌ها بر روی رایانه‌های تک‌برد (SBC) در هزینه و انرژی صرفه‌جویی کنند. Raspberry Pi 4 یکی از محبوب ترین SBC های موجود است. همچنین این اولین کامپیوتر از خانواده Raspberry Pi است که به اندازه کافی قدرتمند برای اجرای برنامه های بینایی کامپیوتری است. همچنین نرم افزار مورد نیاز برای ساخت این اپلیکیشن ها را می توان به صورت رایگان از اینترنت دانلود کرد. در این دوره، مدرس مت اسکارپینو به برنامه نویسان نحوه نوشتن و اجرای برنامه های بینایی کامپیوتری را در Raspberry Pi 4 نشان می دهد. مت شما را با استفاده از Thonny IDE، کتابخانه OpenCV و عملیات آرایه NumPy آشنا می کند. او از طریق تشخیص اشیا و شبکه‌های عصبی گام برمی‌دارد، سپس شبکه‌های عصبی کانولوشنال (CNNs)، از جمله بسته Keras و بسته TensorFlow را بررسی می‌کند. مت همچنین شما را در مورد کارهایی که می توانید با دوربین Raspberry Pi HQ انجام دهید راهنمایی می کند.

سرفصل ها

0. مقدمه

01 - شروع کار با بینایی کامپیوتر
02 - آنچه باید بدانید
03 - استفاده از فایل‌های تمرین

1. برنامه نویسی پایتون در Raspberry Pi 4

04 - معرفی Raspberry Pi 4
05 - راه‌اندازی محیط
06 - استفاده از Thonny IDE

2. OpenCV در Raspberry Pi

07 - معرفی OpenCV
08 - عملیات آرایه NumPy
09 - اجرای یک مثال ساده پردازش تصویر
10 - نظریه پیچیدگی
11 - پیچیدگی در OpenCV

3. تشخیص شی

12 - محاسبه گرادیان تصویر
13 - تشکیل هیستوگرام گرادیان‌ها (HOGs)
14 - محاسبه HOG‌ها در OpenCV
15 - درک ماشین‌های بردار پشتیبان (SVM)
16 - تشخیص اشیا با HOG و SVM

4. درک شبکه‌های عصبی

17 - معرفی شبکه‌های عصبی
18 - آموزش شبکه‌های عصبی
19 - ایجاد شبکه‌های عصبی در OpenCV
20 - طبقه بندی عنبیه‌ها با شبکه عصبی

5. شبکه‌های عصبی کانولوشنال (CNN)

21 - معرفی شبکه‌های عصبی کانولوشن (CNN)
22 - ایجاد CNN با Keras
23 - آموزش CNN با TensorFlow
24 - اجرای مدل‌ها با TensorFlow Lite
25 - تشخیص اشیاء با Raspberry Pi

6. دوربین Raspberry Pi HQ

26 - معرفی پکیج picamera
27 - دسترسی به دوربین Raspberry Pi در پایتون
28 - تشخیص اشیاء با دوربین Raspberry Pi
29 - تشخیص اشیا با دوربین Raspberry Pi

نتیجه

30 - مراحل بعدی