آموزش بینایی ماشین پروژه محور

بینایی ماشین (Computer Vision) چیست؟ کاربردهای بینایی ماشین در دنیای واقعی تفاوت پردازش تصویر و بینایی ماشین معرفی Python و کتابخانه‌های موردنیاز نصب و راه‌اندازی OpenCV آشنایی با ساختار پروژه خواندن و نمایش اولین تصویر

ساختار تصاویر دیجیتال Pixel و Resolution کانال‌های رنگی تصاویر RGB و Grayscale تبدیل فضای رنگی خواندن و ذخیره تصاویر تغییر اندازه و برش تصاویر چرخش و تغییر زاویه تصاویر

تغییر روشنایی و کنتراست Thresholding Binary Image انواع Threshold Blur و کاهش نویز Gaussian Blur Median Blur آماده‌سازی تصویر برای پردازش‌های بعدی

مفهوم Edge Detection الگوریتم Canny تشخیص Contour پیدا کردن محدوده اشیا Bounding Box محاسبه مساحت و محیط تشخیص شکل‌های هندسی پروژه تشخیص و شمارش اشیای ساده

Erosion Dilation Opening و Closing حذف نویز پر کردن نواحی خالی اتصال بخش‌های جدا از هم Mask کردن تصویر آماده‌سازی تصاویر برای تشخیص اشیا

مفهوم Face Detection معرفی Haar Cascade تشخیص چهره در تصویر تشخیص چند چهره هم‌زمان تشخیص چهره در ویدئو رسم Bounding Box بهبود دقت تشخیص پروژه تشخیص چهره

تشخیص چشم تشخیص لب و سایر اجزای صورت استفاده از Cascade Classifier پردازش تصاویر چهره استخراج ناحیه موردنظر ترکیب چند مدل تشخیص تشخیص اجزای صورت در ویدئو پروژه تحلیل ساده چهره

خواندن ویدئو با OpenCV کار با Webcam پردازش Frame به Frame نمایش اطلاعات روی ویدئو ذخیره ویدئوی پردازش‌شده کنترل FPS مدیریت منابع دوربین پروژه پردازش زنده تصویر

مفهوم Object Detection تفاوت Classification و Detection معرفی مدل‌های آماده آشنایی با YOLO دریافت و آماده‌سازی مدل تشخیص اشیا در تصویر نمایش Bounding Box و Label تشخیص اشیا در ویدئو

مفهوم Object Tracking تفاوت Detection و Tracking معرفی روش‌های Tracking انتخاب و ردیابی یک شیء ردیابی چند شیء محاسبه مسیر حرکت نمایش اطلاعات روی ویدئو پروژه ردیابی اشیا

شناسایی اشیای موردنظر شمارش خودکار اشیا تعریف محدوده و خط شمارش جلوگیری از شمارش تکراری ثبت تعداد اشیا تحلیل حرکت اشیا ذخیره نتایج پروژه شمارش خودرو یا افراد

مفهوم OCR استخراج متن از تصویر آماده‌سازی تصویر برای OCR معرفی Tesseract تشخیص متن فارسی و انگلیسی پردازش تصویر قبل از OCR استخراج و ذخیره متن پروژه خواندن متن از تصوی

تحلیل نیازمندی‌های پروژه انتخاب روش مناسب Computer Vision آماده‌سازی Dataset پیش‌پردازش تصاویر پیاده‌سازی مدل تشخیص نمایش نتایج ذخیره خروجی‌ها بررسی خطا و بهبود عملکرد

افزایش سرعت پردازش کاهش مصرف منابع مدیریت حافظه بهبود دقت تشخیص تنظیم پارامترهای مدل پردازش Real-Time مدیریت خطاها آماده‌سازی پروژه برای اجرا>

طراحی معماری پروژه نهایی پیاده‌سازی کامل پروژه تشخیص و ردیابی اشیا پردازش تصویر و ویدئو ثبت و ذخیره نتایج تست سناریوهای مختلف رفع خطا و بهینه‌سازی جمع‌بندی مباحث بررسی مسیر ادامه یادگیری Computer Vision