Otonom Sistemlerde Yapay Zeka Uygulamaları

Neler Öğreneceksiniz?

Bu eğitimle otonom sistemlerde Jetson platformu kullanarak, en temelden başlayıp nasıl görüntü tabanlı optimize yapay zeka uygulaması geliştirebileceğinizi öğreneceksiniz.

KAYIT OL

Orta Seviye

Katılım Belgeli

3 Gün Eğitim

Talep Üzerine

Ankara

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.

Coffee-break köşemizden eğitim süresi boyunca sınırsız çay, filtre kahve, bitki çayları, su, sabahları açma, poğaça, kruvasan, simit, krem peynir, bal, reçel gibi kahvaltılıklar, tüm gün tatlı-tuzlu kurabiye servisi, taze meyve salatası servisi bulunmaktadır. Öğle yemeği Open Zeka tarafından ücretsiz verilmektedir.

Eğitim Programı

1. Derin Öğrenme ve NVIDIA Jetson Platformuna Giriş

Günümüz yapay zeka algoritmalarının yapı taşı olan derin öğrenmeye dair bu giriş dersiyle güçlü bir temel oluşturun. Aynı zamanda görüntüye dayalı problemlerde en çok tercih edilen Evrişimli Sinir Ağları (Convolutional Neural Networks) ve derin öğrenme algoritmalarını bu denli güçlü yapan geri yayılım algoritması gibi algoritmaların matematiksel arka planını uzman ekibimizden öğrenin. Jetson platformunu, en popüler derin öğrenme kütüphanelerinden Caffe, TensorFlow ve Keras için hazır hale getirin.

Deep Learning Demistfied
- Derin Öğrenme’ye giriş ve uygulama alanları.
OpenZeka Derin Öğrenme ile Görüntü İşleme’ye Giriş
- Görüntü İşleme’ye giriş ve Derin Öğrenme metotlarının kullanımı.
- Evrişimli Sinir Ağları’na (CNN) matematiksel yaklaşım.
- Geri Yayılım Algoritması’na matematiksel yaklaşım.
Jetson Platformunun Tanıtılması ve Kurulumu
- Jetson platformunun ve uygulama alanlarının tanıtılması.
- NVIDIA JetPack yazılımı ile Jetson platformunun hazır hale getirilmesi.
- NumPy, Sci-Kit, Pandas, Matplotlib kütüphanelerinin kurulması.
- OpenCV kütüphanesinin derlenmesi.
- Jetson için TensorFlow kurulumu.
- Keras kütüphanesinin kurulumu.
- JupyterLab kurulumu.
Derin Öğrenme Kütüphanelerine Giriş
- Keras kütüphanesinin tanıtılması.
  - MNIST Fashion veri seti ile sınıflandırma modeli geliştirilmesi.
- NVIDIA DIGITS arayüzünün tanıtılması.
  - MNIST veri seti ile LeNet sınıflandırma modeli geliştirilmesi.
- Caffe kütüphanesinin tanıtılması.
Model Optimizasyonu için TensorRT Kütüphanesinin Kullanılması

2. Sınıflandırıcı ve Nesne Tanımlama Modeli Geliştirme

Derin Öğrenmeye Giriş dersinin devamı niteliğinde olan bu ders ile sınıflandırıcı modellerin başarımının nasıl artırılabileceğini öğrenin ve temelden başlayarak bir sınıflandırıcı ve nesne tanımlama uygulaması geliştirin. Geliştirdiğiniz algoritmaları Jetson platformunda uygulayın.

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.
Nesne Tanımlama (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.

3. Semantik Segmentasyon ve DeepStream Uygulaması

Farklı endüstri alanlarında karşılaşılan görüntü tabanlı problemlerin çözümlerini, Keras kütüphanesi kullanarak semantik segmentasyon (semantic segmentation) yöntemiyle bire bir uygulamalı olarak öğrenin. Aynı zamanda akıllı şehirler konsepti için geliştirilen NVIDIA DeepStream modülü hakkında bilgi edinin ve modülün Jetson platformunda nasıl kullanılabileceğini keşfedin.

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.
DeepStream Yazılım Geliştirme Modülü
- Modülün Jetson platformuna kurulması.
- Adım adım görüntü toplama, şifre çözme (decode), ön işleme, görüntü takibi (çıkarım), şifreleme (encode), birleştirme (composite), görselleştirme (visualize) işlemlerinin yapılması.
- Görüntü kaynak/çıkış türleri, kaynak/çıkış seçimi ve çözünürlük ayarlamalarının yapılması.
- Örnek VisionWorks uygulamalarının çalıştırılması.
- Örnek Tegra Multimedia API uygulamalarının çalıştırılması.