Open Zeka Otonom Sistemlerde Yapay Zeka Uygulamaları

Stokta yok

Bu eğitimle otonom sistemlerde Jetson platformu kullanarak, en temelden başlayıp nasıl görüntü tabanlı optimize yapay zeka uygulaması geliştirebileceğinizi keşfedin. Detaylar için açıklamalar kısmına bakınız.

Tarih: Lütfen iletişime geçiniz.
Süre: 5 Gün
Yer:
Online Eğitim (Zoom)
Kontenjan:
10 kişi

STOKTA YOK

Stok kodu: OZ-AUT-SYS-AI-APPS Kategoriler: Etiketler: , ,

Açıklama

Bu 5 günlük eğitim içeriğiyle birlikte, derin öğrenmenin matematiksel arka planından başlayarak uç sistemlerde derin öğrenme tabanlı görüntü işleme akışlarını uçtan uca nasıl uygulayacağınızı öğrenin.

İçeriğin 1 günlük kısmını oluşturan, NVIDIA Deep Learning Institute (DLI) sertifikalı “Fundamentals of Deep Learning” eğitimi ile görüntü işleme (CNN), doğal dil işleme (RNN-LSTM), dijital içerik oluşturma (GAN) ve kendi kendine öğrenen robotlar (Reinforcement Learning) konularında yüksek başarıma sahip derin öğrenme tekniklerini eksiksiz bir şekilde öğrenin.

Özel sınıflara sahip kendi veri setlerinizle eğittiğiniz nesne tespiti ve sınıflandırma modellerini, NVIDIA Jetson’da hızlandırma kütüphaneleriyle nasıl uygulamaya koyacağınızı görün.

Bu eğitim için ön gereklilik: Lineer Cebir, Matris İşlemleri, Türev ile ilgili temel kavramların bilinmesi ve temel seviyede Ubuntu kullanımı ile birlikte Python bilgisi yeterlidir.

EĞİTİM İÇERİĞİ

  1. Derin Öğrenme ve Uygulamalarına Giriş
  2. OpenZeka Derin Öğrenme ile Görüntü İşleme’ye Giriş
    1. Görüntü İşleme’ye giriş ve Derin Öğrenme metotlarının kullanımı.
    2. Evrişimli Sinir Ağları’na (CNN) matematiksel yaklaşım.
    3. Geri Yayılım Algoritması’na matematiksel yaklaşım.
  3. Jetson Platformunun Tanıtılması ve Kurulumu
    1. Jetson platformunun ve uygulama alanlarının tanıtılması.
    2. NVIDIA JetPack yazılımı ile Jetson platformunun hazır hale
      getirilmesi.
    3. NumPy, Sci-Kit, Pandas, Matplotlib kütüphanelerinin kurulması.
    4. OpenCV kütüphanesinin derlenmesi.
    5. Jetson için TensorFlow, PyTorch, MXNet, ONNX kurulumları.
    6. JupyterLab kod geliştirme ortamının kurulumu.
  4. Derin Öğrenme Kütüphanelerine Giriş
    1. Keras kütüphanesinin tanıtılması.
      1. MNIST Fashion veri seti ile sınıflandırma modeli geliştirilmesi.
    2. NVIDIA DIGITS arayüzünün tanıtılması.
      1. MNIST veri seti ile LeNet sınıflandırma modeli geliştirilmesi.
    3.  Caffe kütüphanesinin tanıtılması.
  5. Model Optimizasyonu için TensorRT Kütüphanesinin Kullanılması
  6. OpenCV ile Temel Görüntü İşleme Fonksiyonları
    1. OpenCV’de renk uzaylarının tanıtılması.
    2. OpenCV ile renk uzayları ayrıştırma.
    3. OpenCV filtreleri.
  7. NVIDIA DLI SERTİFİKALI EĞİTİM: Fundamentals of Deep Learning
    1. Bir derin öğrenme modelini eğitmek için gerekli temel teknikleri ve araçları uygulayın.
    2. Yaygın derin öğrenme veri türleri ve model mimarileri üzerine deneyim kazanın.
    3. Model doğruluğunu iyileştirmek için augmentation yöntemleriyle veri setlerini geliştirin.
    4. Daha az veri ve hesaplama ile verimli sonuçlar elde etmek için modeller arasında öğrenme aktarımından yararlanın.
    5. Bir modern derin öğrenme kütüphanesiyle kendi projenizi üstlenmek için altyapı oluşturun.
  8. Sınıflandırıcı ve Nesne Tespit Modeli Geliştirme
    1. Sınıflandırma (Classification)
      • Keras ile TensorFlow kullanılarak Kaggle Cats vs. Dogs veri seti üzerinde VGG-16 sinir ağının eğitilmesi
        • Veri setinin analiz edilmesi.
        • Bütün veri seti içerisinden alt veri seti oluşturma.
        • Alt veri seti üzerinde veri çeşitlendirme (augmentation) yöntemlerinin uygulanması.
        • Keras Sequential metoduyla, özelleştirilmiş sinir ağı eğitilmesi.
        • VGG-16 sinir ağının, ImageNet ağırlıkları ile yeniden eğitilmesi.
        • VGG-16 sinir ağı üzerinde ince ayar (fine-tune) işlemlerinin yapılması.
        • Model başarımını artırma yöntemlerinin uygulanması.
    2. Nesne Tespit (Object Detection)
      • DIGITS ile Caffe kullanılarak OpenZeka Multi Class Traffic Sign veri seti üzerinde DetectNet sinir ağının eğitilmesi
        • Veri setinin analiz edilmesi.
        • Elle veri etiketleme işleminin gerçekleştirilmesi.
        • Etiketlenen veriler üzerinde, nesne tanımlama problemine uygun veri çeşitlendirme işlemlerinin yapılması.
        • DetectNet sinir ağının probleme özel olarak yeniden düzenlenmesi.
        • DetectNet sinir ağının DIGITS arayüzü kullanılarak eğitilmesi.
        • Eğitim süresince üretilen ara modellerin Jetson’a entegre edilmesi.
        • Modelin, Jetson’da gerçek zamanlı görüntüyle test edilmesi.
  9. Semantik Segmentasyon ve NVIDIA DeepStream SDK Uygulaması
    1. Semantik Segmentasyon
      • Tam Evrişimli Sinir Ağları’nın (Fully Convolutional Networks) tanıtılması ve semantik segmentasyon yöntemiyle kullanımı.
      • Semantik Segmentasyon ve Instance-level Segmentasyon yöntemleri arasındaki farkların gösterimi.
      • Semantik segmentasyon yöntemine özel olarak üretilmiş mevcut veri setleri ve sinir ağı mimarilerinin tanıtılması.
      • Semantik segmentasyon yöntemine matematiksel yaklaşım.
      • Keras ile TensorFlow kullanılarak CityScapes veri seti üzerinde U-Net sinir ağının eğitilmesi
        • CityScapes veri setinin analiz edilmesi.
        • Yönteme özel veri etiketleme metotlarının tanıtılması.
        • U-Net sinir ağının Keras ile TensorFlow kullanılarak eğitilmesi.
        • Eğitilen U-Net modelinin Jetson platformunda çalıştırılması.
      • Örnek semantik segmentasyon modellerinin TensorRT ile hızlandırılması.
    2. DeepStream Yazılım Geliştirme Modülü
      1. Modülün Jetson platformuna kurulması.
      2. Adım adım görüntü toplama, şifre çözme (decode), ön işleme, görüntü takibi (çıkarım), şifreleme (encode), birleştirme (composite), görselleştirme (visualize) işlemlerinin yapılması.
      3. Görüntü kaynak/çıkış türleri, kaynak/çıkış seçimi ve çözünürlük ayarlamalarının yapılması.
      4. Python bindinglerinin Jetson’da kurulması.
      5. Python örnekleri ile Jetson’da DeepStream tabanlı Maske Tespit Uygulamasının çalıştırılması.
  10. NVIDIA Transfer Learning Toolkit ile Uçtan Uca Optimize Yapay Sinir Ağı Eğitimi
    1. TLT ile Sınıflandırıcı Model Eğitimi
      • 6 farklı yapay sinir ağı yapısını temel alarak birçok farklı yapay sinir ağının, başarım/çalışma performansı gerekliliklerine göre eğitilmesi.
      • Yapay sinir ağının çalışma anı performansının artırılması için budama işleminin yapılması.
      • Hafifletilen sinir ağının yeniden eğitilmesi.
      • Eğitilen modelin başarım değerlendirilmesinin yapılması.
      • Modelin platforma özel olarak optimize edilmesi ve uygulamaya koyulması.
    2. TLT ile Nesne Tespit Modeli Eğitimi
      1. Nesne tespitine özel 6 farklı yapay sinir ağı yapısının birçok farklı temel model ile torbalama metodu kullanarak eğitim aktarımı ile eğitilmesi.
      2. Veri seti oluşturma ve farklı etiketleme metodlarının incelenmesi.
      3. Yapay sinir ağının çalışma anı performansının artırılması için budama işleminin yapılması.
      4. Hafifletilen sinir ağının yeniden eğitilmesi.
      5. Eğitilen modelin başarım değerlendirilmesinin yapılması.
      6. Modelin platforma özel olarak optimize edilmesi ve uygulamaya koyulması.

Eğitim İçeriği Dokümanı

Loader Loading...
EAD Logo Taking too long?

Reload Reload document
| Open Open in new tab