Kurs i obuka – Računarski vid – obrada slike i modeli

Kurs je namenjen programerima i analitičarima koji žele da obrađuju slike i razvijaju vizuelne modele. Stečene veštine mogu biti korisne u industrijskoj kontroli kvaliteta, obradi dokumentacije, analitici slike i IT razvoju.

Preporučeno prethodno znanje: Python i osnove ML; poželjna algebra i rad sa slikama.

Tokom nastave polaznik će kroz praktičan rad učiti da:

• digitalna slika i okruženje – Pikseli, kanali, rezolucija, formati; OpenCV, NumPy, licence podataka.
• predobrada i klasične tehnike – Geometrijske transformacije, filtriranje, pragovanje, ivice, konture.
• priprema podataka i anotacije – Klasifikacija/detekcija/segmentacija; oznake, podela skupa, augmentacija.
• cNN i transfer learning – Osnove konvolucije, predtrenirani modeli, treniranje i prilagođavanje.
• detekcija i evaluacija – Bounding box, IoU, precision/recall, mAP koncept; analiza grešaka.
• završni scenario i odgovornost – Primena u kontroli kvaliteta, privatnost i pristrasnost podataka.

Znanja iz oblasti „Računarski vid – obrada slike i modeli“ mogu pomoći da se konkretnije pristupi zadacima kao što su obradu digitalnih slika, pripremu anotacija, razvoj i proveru osnovnih modela računarskog vida. Njihova vrednost je u pravilnom izboru postupka, jasnom dokumentovanju rada i proveri dobijenih rezultata.

Rezultati zavise od reprezentativnosti slika i kvaliteta oznaka; specijalizovani sistemi zahtevaju dodatno testiranje.

Obuka se organizuje kao individualna nastava (1 polaznik) u trajanju od 32 školskih časova, mikro grupa (2–3 polaznika) u trajanju od 32 školskih časova ili standardna grupna nastava (4 i više polaznika) u trajanju od 40 školskih časova.

Nastava se može realizovati uživo u prostorijama Akademije Oxford ili online, prema odabranom modelu. U grupnoj nastavi predviđeno je više vremena za dodatne vežbe, diskusiju i zajedničku proveru rezultata.

Po završetku obuke polaznik će moći da sprovede osnovni radni postupak iz oblasti „Računarski vid – obrada slike i modeli“, primeni obrađene alate na zadati primer, proveri dobijene rezultate i predstavi praktično rešenje. Nivo samostalnosti zavisi od prethodnog znanja i složenosti konkretnog zadatka.

1. Digitalna slika i okruženje – Pikseli, kanali, rezolucija, formati; OpenCV, NumPy, licence podataka. Praktičan rad: Učitati, prikazati i uporediti karakteristike slika.
2. Predobrada i klasične tehnike – Geometrijske transformacije, filtriranje, pragovanje, ivice, konture. Praktičan rad: Napraviti pipeline za izdvajanje objekata.
3. Priprema podataka i anotacije – Klasifikacija/detekcija/segmentacija; oznake, podela skupa, augmentacija. Praktičan rad: Anotirati mali skup i pripremiti trening/validaciju.
4. CNN i transfer learning – Osnove konvolucije, predtrenirani modeli, treniranje i prilagođavanje. Praktičan rad: Istrenirati jednostavan klasifikator slika.
5. Detekcija i evaluacija – Bounding box, IoU, precision/recall, mAP koncept; analiza grešaka. Praktičan rad: Izmeriti rezultate i analizirati lažno pozitivne nalaze.
6. Završni scenario i odgovornost – Primena u kontroli kvaliteta, privatnost i pristrasnost podataka. Praktičan rad: Predati praktičan model ili pipeline uz evaluaciju.