Спринт 19/25 → Тема 1/6: Введение → Урок 1/2
- Курс по компьютерному зрению обучит решению задач классификации и регрессии для изображений.
- Термин "компьютерное зрение" заменён на "обработка изображений", так как он устарел.
- Нейронные сети используются для решения задач компьютерного зрения.
- Обучение начинается с библиотеки Keras и переходит к глубоким нейронным сетям.
- Самостоятельный проект включает обучение с учителем для изображений.
- Вычисления производятся на сервере с GPU Yandex Compute Cloud.
- Цели курса: изучение основ работы с изображениями, библиотеки Keras, полносвязных и свёрточных сетей, обучение модели ResNet.
Добро пожаловать на курс по компьютерному зрению! Здесь вы научитесь решать задачи классификации и регрессии для изображений.
Структура курса
Компьютерное зрение (англ. computer vision) — область искусственного интеллекта, которая изучает способность машин видеть как человек. На этом курсе вы будете обучать машины понимать изображения или видео. Например, определять, какой фрукт на картинке или сколько лет человеку на фото.
Сегодня термин «компьютерное зрение» несколько устарел, и на смену ему пришёл новый — «обработка изображений». Компьютерным зрением теперь называют зрение роботов. Однако в рамках этого курса оба термина равнозначны.
С задачами компьютерного зрения успешно справляются нейронные сети. Работе с ними и будет посвящён курс.
Изучение нейронных сетей вы начнёте с устройства библиотеки Keras. От обучения простых сетей перейдёте к глубоким нейронным сетям. В конце курса вас ждёт самостоятельный проект: с нуля решите задачу обучения с учителем для изображений.
Нейронные сети могут обучаться долго, для комфортной практики мы разработали новый тренажёр. Все вычисления будут производиться на сервере с графической картой (GPU) Yandex Compute Cloud.
Ваши цели
- Изучить основы работы с изображениями.
- Познакомиться с библиотекой Keras.
- Разобраться, что такое полносвязные и свёрточные сети.
- Научиться обучать модель ResNet.
Запаситесь терпением: вам предстоит освоить много теории и инструментов работы с нейронными сетями. Вперёд!
- Проект: внедрение системы компьютерного зрения в сетевой супермаркет "Хлеб-Соль"
- Цель: определение возраста покупателей для анализа покупок и контроля кассиров
- Задача: построение модели, определяющей возраст человека по фотографии
- Данные: набор фотографий людей с указанием возраста, взяты с сайта ChaLearn Looking at People
- Инструкция: исследовательский анализ, подготовка данных, обучение нейронной сети
- Критерии оценки: выполнение шагов инструкции, исследовательский анализ, подготовка данных, выбор нейронных сетей, выводы, структура проекта, аккуратность кода
- Шпаргалки и конспекты прошлых тем содержат необходимую информацию для успешного выполнения проекта.
Ознакомьтесь с проектом, который нужно выполнить в конце курса.
Описание проекта
Сетевой супермаркет «Хлеб-Соль» внедряет систему компьютерного зрения для обработки фотографий покупателей. Фотофиксация в прикассовой зоне поможет определять возраст клиентов, чтобы:
- анализировать покупки и предлагать товары, которые могут заинтересовать покупателей этой возрастной группы;
- контролировать добросовестность кассиров при продаже алкоголя.
Постройте модель, которая по фотографии определит приблизительный возраст человека. В вашем распоряжении набор фотографий людей с указанием возраста.
Инструкция по выполнению проекта
- Проведите исследовательский анализ набора фотографий.
- Подготовьте данные к обучению.
- Обучите нейронную сеть и рассчитайте её качество.
Описание данных
Данные взяты с сайта ChaLearn Looking at People. Они находятся в папке /datasets/faces/.
В вашем распоряжении одна папка со всеми изображениями (/final_files) и CSV-файл labels.csv с двумя колонками: file_name и real_age. Извлечь данные из папки вам поможет новый метод ImageDataGenerator —flow_from_dataframe(dataframe, directory, ...).
Как будут проверять проект?
Мы подготовили критерии оценки проекта, которыми руководствуются ревьюеры. Прежде чем приступить к решению кейса, внимательно их изучите.
На что обращают внимание ревьюеры, проверяя проект:
- Все ли шаги инструкции выполняете?
- Как проводите исследовательский анализ данных?
- Как готовите данные к обучению?
- Какие нейронные сети рассматриваете?
- Какие выводы делаете?
- Следите ли за структурой проекта?
- Поддерживаете аккуратность кода?
Всё, что вам нужно знать, есть в шпаргалках и конспектах прошлых тем.
Успеха!