Otonom Araç Eğitimi

Stokta yok

Otonom araç geliştirmeye başlamak için bilmeniz gereken her şey bu eğitimde!

Süre: 7 Gün, 56 Saat
Tarih:
Firma ve kurumsal talep ile açılmaktadır.
Yer:
Ankara (Open Zeka Ofisi)
Kontenjan:
10 kişi

Eğitim detayı için aşağıdaki açıklamalar kısmına bakınız.

STOKTA YOK

Açıklama

Talep üzerine açılmaktadır. Eğitim kurumu veya Şirket tarafından yapılacak talepler için: [email protected]

Neler Öğreneceksiniz?

  • 1. Gün – OpenZeka MARC Platformuna Giriş
  • 2. Gün – ROS, Git ve Kontrol Teorisi
  • 3. Gün – OpenCV
  • 4. Gün – Derin Öğrenmenin Temelleri
  • 5. Gün – Sınıflandırıcı ve Nesne Tanıma
  • 6. Gün – Nesne Tanıma ve Sematic Segmentasyon
  • 7. Gün – NVIDIA End-to-End, Haritalama ve Lokalizasyon

Eğitim İçeriği

  1. MARC Platformuna Giriş
    1. Aracın yazılım ve donanım özelliklerin tanıtılması, aracın kabiliyetleri hakkında detaylı bilgi
    2. Jetson platformunun tanıtılması, neler yapılabileceği ve hangi sektörlerde ne gibi amaçlarda kullanılabileceği hakkında bilgi
    3. Aracın donanım parçalarının birleştirilmesi
    4. Parçalar birleştirildikten sonra aracın sorunsuz hareket edebilmesi için gerekli eğitim
  2. ROS (Robot Operation System)’a giriş
    1. Linux komutları hakkında bilgi ve ROS’a giriş.
    2. ROS Node’ları hakkında bilgi, çalışma mantığı, neden projelerimizde ROS kullanmalıyız?
    3. Catkin Workspace oluşturma, örnek workspaceleri çalıştırma
    4. Listener ve Publisher mantığı, ROS içerisinde Python ve C++ dilleri ile basit bir
      listener-publisher uygulamasının yazılması ve bu dillerdeki söz dizimi farklılıkları
  3. Git Kullanımı
    1. Git nedir? Neden kullanılır?
    2. Temel Git komutları, repo oluşturma ve projeyi bu repoya yükleme
    3. Var olan projede güncelleme yapma, değişiklikleri geri alma
  4. Kontrol Sistemi Teorisi ve Uygulamaları
    1. Kontrol teorisi nedir? Ne için kullanılır? Matematiksel yaklaşım ile anlatılması.
    2. ROS ve Lidar verisi kullanılarak aracın duvara sabit mesafede hareket etmesini sağlayan Bang Bang algoritması geliştirmek.
    3. Python ile PID algoritması geliştirmek ve aracın duvara sabit mesafede bu algoritma ile gitmesini sağlamak.
    4. Model Predictive Control hakkında teorik bilgi, örnekler ve matematiksel yaklaşım.
  5. OpenCV
    1. OpenCV nedir? Hangi amaçlar için kullanılabilir? Ubuntu işletim sistemine nasıl kurulur? Kurulumda nelere dikkat edilmeli?
    2. Renk uzayları hakkında bilgi, OpenCV ile renk uzayları ayrıştırma.
    3. OpenCV filtreleri, renkleri ayrıştırma algoritmaları.
    4. Python dili ile ROS ve OpenCV kullanarak belirli bir rengi takip eden algoritmanın geliştirilmesi ve araç üzerinde uygulanması.
    5. Python dili ile ROS ve OpenCV kullanılarak şerit takibi algoritması, PID algoritmasının şerit takibi algoritmasıyla birleştirilmesi ve araç üzerinde uygulanması.
    6. ZED kamera ve ROS ile derinlik haritası elde etme ve uygulama geliştirme.
  6. NVIDIA DLI SERTİFİKALI EĞİTİM: Fundamentals of Deep Learning
    1. Derin öğrenme nedir? Hangi amaçla ve hangi sektörlerde kullanılabilir?
    2. Yapay Sinir Ağları nedir? Nasıl çalışır? Matematiksel yaklaşım ile detaylı incelenmesi
    3. Evrişimli Sinir Ağları nedir? Nasıl çalışır? Matematiksel yaklaşım ile detaylı incelenmesi
    4. Geri yönde yayılım (backpropogation) işleminin detaylı incelenmesi
    5. Bilgisayarın daha önce hiç görmediği görüntüleri doğru şekilde sınıflandırmak için derin bir sinir ağını eğitme.
    6. Derin sinir ağlarını uygulamalarda çalıştırma.
    7. Derin öğrenme uygulamalarının performansını geliştirmek için teknikler tanımlama.
    8. Derin öğrenme için aday olan problem türlerini değerlendirme.
    9. Davranışlarını değiştirmek için sinir ağlarını modifiye etme.
  7. Derin Öğrenme Uygulama Eğitimi (Sınıflandırıcı ve Nesne Tespiti)
    1. Sınıflandırıcı
      • Sınıflandırıcı model için kullanılan veri setlerinin incelenmesi.
      • Görüntü işleme yöntemleriyle veri seti üzerinde görüntü manipülasyonu.
      • Sınıflandırıcı model başarım artırma teknikleri.
      • Keras ile sıfırdan bir sınıflandırıcı model oluşturma.
      • Keras kullanarak az miktarda veriyle yüksek başarımlı sınıflandırıcı model eğitilmesi.
      • Farklı veri çeşitlendirme yöntemlerinin model başarımına etkileri.
      • Model başarımını artırmak için izlenebilecek adımlar.
    2. Nesne Tespiti
      • Kamera ile verinin doğru bir şekilde toplanması ve toplanan verinin analiz edilmesi.
      • Keras’ta yapılacak eğitimler için gerekli olan etiket formatlarının öğrenilmesi.
      • Farklı formatlarda etiketleme yapan veri etiketleme araçlarının kullanımı.
      • Verilerin, Keras ile Özelleştirilmiş Eğitim İşlemi’ne uygun formatta etiketlenmesi.
      • Model başarımlarının artırılmasına teorik yaklaşım.
      • Görüntü işleme ile veri miktarının artırılması.
      • Keras’ta eğitim için etiketlenen verilerin, yardımcı bir araçla etiket doğruluk kontrolünün yapılması.
      • Keras ile performans/başarım tercihine bağlı olarak RetinaNet, ResNet-50, ResNet-101, ResNet152; MobileNet-128, MobileNet-160, MobileNet-192 veya MobileNet-224
        modelinin eğitilmesi.
      • Keras ile eğitilen modeller kullanılarak bilgisayar ve NVIDIA Jetson’da gerçek zamanlı görüntü analizi.
  8. Derin Öğrenme Uygulama Eğitimi (Semantik Segmentasyon)
    1. Semantic segmentation nedir? Hangi alanlarda ne gibi amaçlarda kullanılır? Arka planda gerçekleşen işlemler nelerdir?
    2. Mevcut veri setleri hakkında bilgi, semantic segmentation için sinir ağı örnekleri.
    3. Ham verinin, semantic segmentation yöntemine uygun bir şekilde etiketlenmesi.
    4. Tensorflow ile sıfırdan segmentasyon modeli geliştirme.
    5. Cityscapes veri setini ve ZRFNet mimarisini kullanarak eğitim başlatma, eğitilmiş ağdan çıktı elde etme.
    6. Instance-level Segmentation hakkında teorik bilgi, eğitim prosedürleri ve ağ yapısı örnekleri.
    7. Farklı modellerin gerçek zamanlı kamera görüntüsü üzerinde performans ve başarım karşılaştırmalarının yapılması.
    8. Optimizasyon teknikleri.
  9. Derin Öğrenme Uygulama Eğitimi (Otonom Sürüş Modeli)
    1. ZED kamerasından elde edilen derinlik haritası dahil veri toplama ve kaydetme yöntemleri.
    2. Toplanılan verinin eğitime hazır hale getirilmesi için ön işlemden geçirme aşamaları.
    3. Toplanılan veri ile NVIDIA End-to-End modeli kullanarak eğitme, bu modeli düzenleme ve eğitip farklı modellerin araç üzerinde nasıl çalıştıklarını test edebilme, farklı parametrelerin performansa etkisini doğrudan gözlemleyebilme.
  10. Haritalama ve Lokalizasyon
    1. Visual Odometry algoritmasının incelenmesi.
    2. ZED kameranın visual odometry algoritmasını kullanarak konum verisi elde etme.
    3. Haritalama yapma ve bu haritayı daha sonra kullanmak için kaydetme.
    4. Graph veri yapısı ile genel bilgi, pythonda bu veri yapısına uygun algoritma geliştirme.
    5. En kısa yol bulma algoritmalarının anlatılması, harita üzerinde verilen noktaya en kısa yolun çıkartılarak aracın bu rotayı takip etmesinin sağlanması.
    6. Haritası olmayan bir ortamda aracın istenilen koordinata kurallara uyarak gidebilmesini sağlayan algoritmanın geliştirilmesi.
    7. Behavioral Navigation algoritmasının incelenmesi.

Mini Otonom Araç Kiti

Eğitime katılanlara eğitim kapsamını belirten katılım belgesi ve eğitimde kullanılan dokümanlar verilecektir.

Eğitime katılan herkese, eğitim süresince kendi dizüstü bilgisayarlarından erişebilecekleri yüksek işlem gücüne sahip (GPU: K80) sanal makinelerde kurulu NVIDIA DIGITS erişimi verilecektir. Katılımcılar sanal makineye erişimleri için kendi dizüstü bilgisayarlarını getirmesi gerekmektedir.

Eğitim İçeriği Dokümanı

Loader Loading...
EAD Logo Taking too long?

Reload Reload document
| Open Open in new tab

Hoşunuza gidebilir…

  • Mini Otonom Araç Kiti

    327.909,60 (KDV Dahil)
    Sepete Ekle Ayrıntılar