Edocti Training

Deep Learning & Computer Vision Essentials

Name: Deep Learning & Computer Vision Essentials
Rating: 4.7 (536 reviews)

Intermediar

28 h

4.7 (536 recenzii)

Contactați-ne

Sesiuni programate

Nu există sesiuni disponibile în acest moment.

Anunță-mă când se deschide următoarea sesiune

Bootcamp Computer Vision modern: Treci de la CV clasic (OpenCV/NumPy) la antrenarea, evaluarea și deploy‑ul modelelor complexe de Deep Vision.

Exersezi intens fluxuri de lucru orientate pe PyTorch, cu explicații și paralele opționale către ecosistemul TensorFlow/Keras.

Abordezi ambele arhitecturi majore – Convolutional Neural Networks (CNN) și Vision Transformers (ViT) – cu un puternic accent pe aplicabilitatea în practică.

Dobândești experiență practică directă: ~70% din curs este dedicat laboratoarelor aplicate pe dataset‑uri și proiecte reale din industrie.

Cum te ajută: Vei ști să construiești modele fiabile și să le pregătești pentru rulare eficientă pe dispozitive Edge folosind ONNX și TensorRT.

Cui i se adresează: Programatorilor cu baze de Python sau C++ care se confruntă cu probleme de percepție vizuală (robotică, auto, automatizări).

Cursul pune un accent critic pe reproductibilitatea experimentelor, alegerea metricilor robuste și evaluarea responsabilă a modelelor.

Abilități dobândite

OpenCV & Procesare Imagini Vectorizare cu NumPy Fluxuri de lucru PyTorch CNN-uri & Transfer Learning Vision Transformers (ViT) Pipeline-uri de Augmentare Metrici de Evaluare Deployment pe Edge (ONNX)

Curriculum

Fundamente de computer vision cu OpenCV

Încărcare/salvare, spații de culoare, primitive de desen, ROI/cropping
Transformări: resize/rotate/flip; aritmetică pe imagini; masking; operații pe canale
Kernels & morfologie; gradiens/margini; probleme de iluminare și normalizare
Mini-lab: pipeline de detecție a benzilor (lane)

NumPy & programare pe tablouri

Bazele ndarray, broadcasting, views vs copies
Vectorizare, layout în memorie, dtype & compromisuri de precizie
Mic lab: implementăm o convoluție și comparăm cu OpenCV

Rețele neuronale from scratch (concepte)

Perceptron, activări, logits & softmax, cross-entropy
Backprop & gradient descent; inițializare & normalizare
Overfitting vs generalizare; overview de regularizare

PyTorch essentials (cu paralele TF/Keras)

Tensors, autograd, modules; scrierea unui training loop
Data pipelines: Dataset/DataLoader, augmentări (Albumentations — bază)
Metrici & evaluare; matrice de confuzie; reproductibilitate (seed/determinism)
Mixed precision (AMP) și multi-GPU (DDP) — overview + demo

Rețele convoluționale, transfer learning & fine‑tuning

Blocurile CNN; receptive fields & shapes; număr de parametri
Backbone-uri pretrained (torchvision/timm) și design de head
Freeze/partial freeze; learning rates diferențiate; early stopping
Lab: fine‑tuning de classifier; comparăm strategii de augmentare

Detecție/segmentare — tur rapid

Familii de detecție (one‑stage vs two‑stage) — perspectiva practică
Opțiuni moderne: familia YOLO, DETR/RT‑DETR (overview); semantic vs instance segmentation
Formate de dataset, unelte de anotare și evaluare (mAP/IoU) — bază

Attention & Vision Transformers (overview practic)

Intuiția self‑attention; patches & embeddings; positional encodings
Workflow de fine‑tuning tip ViT/DeiT
Când alegem CNN vs ViT; considerente de compute/memorie

Optimizare: rețete de antrenare care contează

Schedulers (cosine/one‑cycle), weight decay, label smoothing
Regularizare: dropout, mixup/cutmix (overview)
Sfaturi pentru stabilitate: gradient clipping, batch sizes, capcane AMP
Tracking de experimente: MLflow sau Weights & Biases (scurt)

CV responsabil & calitatea datelor

Curația dataset‑ului și split‑uri; leakage & shortcuts
Bias, robustețe, augmentări vs distribution shift
Documentarea experimentelor și model cards (lightweight)

Deploy pe edge și producție

Export: TorchScript și ONNX; verificarea parității numerice
Accelerație: TensorRT / ONNX Runtime / OpenVINO — când folosim ce
Quantization (PTQ/QAT), pruning & distillation — beneficii & compromisuri
Servire: Triton Inference Server; note pentru Jetson

Module opționale

Opțional — modele temporale & tracking

Opțiuni de modelare temporală (RNN/LSTM/GRU vs conv temporal 1D)
Bazele multi‑object tracking (overview)

Structura zilei de curs

Partea 1: 09:00–10:30
Pauză: 10:30–10:45
Partea 2: 10:45–12:15
Pauză de prânz: 12:15–13:15
Partea 3: 13:15–15:15
Pauză: 15:15–15:30
Partea 4: 15:30–17:30

De ce Edocti?

Trainerii: motivul cel mai evident. Ne place ceea ce facem și vă punem la dispoziție cunoștințele dobândite în practica de zi cu zi.
Conținut relevant, personalizat în funcție de nevoile reale ale echipei dvs. tehnice.
Activitate practică: toate cursurile noastre sunt hands-on. Nu credem în „slide courses”. Programele noastre sunt ~70% practică și 30% teorie. Prezentăm conceptele în timp ce lucrăm pe exemple din viața reală.
Edocti are experiență în proiecte Automotive încă din 2016.
Trainerii noștri au peste 11 ani de experiență în Automotive — de la Classic AUTOSAR la Adaptive AUTOSAR, SOME/IP, embedded Linux, QNX, INTEGRITY, ISO 26262 — pe proiecte de telematics și AD/ADAS.
Dezvoltăm proiecte de Autonomous Driving și ADAS pentru Volvo, General Motors sau AUDI (clienți finali), în colaborare cu companii Tier-1 din România, încă din 2016.
Dezvoltăm proiecte V2X pentru GM și VW (clienți finali), în colaborare cu companii Tier-1 din România.
Colaborări solide cu companii Tier-1 din România pentru training tehnic, consultanță, arhitectură și implementare.
Am fost cooptați de Guvernul României ca experți tehnici in elaborarea proiectului de lege al mașinilor autonome in România. Doar Edocti si BOSCH au făcut parte din acest grup de lucru select.

Cui se adresează acest curs

Ingineri care rezolvă probleme de percepție folosind Python/C++ și își doresc un parcurs actualizat, eminamente practic, de la CV clasic la Deep Learning — cu un interes deosebit pentru faza de deployment pe sisteme embedded/edge.

Infrastructura necesară

Un laptop standard (Windows/macOS/Linux). Pentru laboratoarele care necesită putere de calcul GPU: este necesară fie o placă NVIDIA compatibilă CUDA local, fie o mașină virtuală în cloud (ex. AWS EC2). Vom furniza containere/notebook-uri gata de rulare. Plăcile NVIDIA Jetson sunt opționale, strict pentru testarea pe Edge.