این دوره جامع برای تجهیز شما به دانش و مهارت‌های مورد نیاز برای طراحی و پیاده‌سازی سیستم‌های بینایی ماشین در خودروهای خودران طراحی شده است. پس از اتمام این دوره، شما قادر خواهید بود:

• مبانی بینایی ماشین و پردازش تصویر: اصول اولیه نحوه دریافت، پردازش و تحلیل تصاویر را درک کنید، شامل تکنیک‌های فیلترینگ، تشخیص لبه، و تبدیل‌های هندسی.
• تشخیص خطوط جاده و مسیر حرکت: الگوریتم‌های پیشرفته برای شناسایی و ردیابی خطوط جاده، درک پیچیدگی‌های مسیر و تعیین مسیر حرکت امن برای خودرو را پیاده‌سازی کنید.
• تشخیص و طبقه‌بندی علائم رانندگی و چراغ‌های راهنمایی: با استفاده از تکنیک‌های یادگیری عمیق، علائم و چراغ‌های راهنمایی را با دقت بالا شناسایی کرده و تصمیمات مناسب رانندگی را بر اساس آن‌ها اتخاذ کنید.
• تشخیص و ردیابی اشیاء متحرک (خودروها، عابران پیاده و دوچرخه‌سواران): با فریم‌ورک‌های پیشرو یادگیری عمیق مانند YOLO و SSD برای تشخیص و ردیابی اشیاء در زمان واقعی آشنا شوید و مدل‌هایی با کارایی بالا بسازید.
• تخمین عمق و بازسازی سه‌بعدی: تکنیک‌های استریو ویژن و استفاده از داده‌های سه‌بعدی برای درک فاصله اشیاء و مدل‌سازی محیط اطراف خودرو را فرا بگیرید.
• ادغام داده‌های حسگرها (Sensor Fusion): نحوه ترکیب اطلاعات حاصل از دوربین‌ها، لیدار و رادار را برای ایجاد یک تصویر کامل‌تر و دقیق‌تر از محیط اطراف خودرو بیاموزید.
• پیاده‌سازی عملی پروژه‌ها با پایتون و OpenCV: مهارت‌های کدنویسی خود را با انجام پروژه‌های عملی متعدد با استفاده از کتابخانه‌های قدرتمند پایتون مانند NumPy, OpenCV و فریم‌ورک‌های یادگیری عمیق مانند TensorFlow و Keras تقویت کنید.

شرکت در دوره “خودروهای خودران: آموزش جامع بینایی ماشین” مزایای چشمگیری را برای آینده شغلی و دانش فنی شما به ارمغان می‌آورد:

• آمادگی برای بازار کار: شما را برای ورود به یکی از پرتقاضاترین و نوآورانه‌ترین صنایع جهان، یعنی صنعت خودروهای خودران، آماده می‌کند.
• پروژه‌های عملی و پورتفولیو سازی: با انجام پروژه‌های متعدد و واقعی، یک پورتفولیوی قدرتمند از توانایی‌های خود در بینایی ماشین برای خودروهای خودران خواهید ساخت.
• تسلط بر ابزارهای کلیدی: کار با ابزارها و کتابخانه‌های استاندارد صنعتی مانند OpenCV, TensorFlow, Keras و NumPy را به صورت عمیق تجربه خواهید کرد.
• یادگیری از متخصصین: محتوای دوره توسط متخصصین با تجربه در زمینه بینایی ماشین و خودروهای خودران طراحی و ارائه شده است.
• درک جامع: از مبانی تا مباحث پیشرفته، تمامی جنبه‌های ضروری بینایی ماشین برای خودروهای خودران را به صورت سیستماتیک فرا می‌گیرید.
• توانایی حل مسئله: مهارت‌های لازم برای تحلیل چالش‌های بینایی ماشین در سناریوهای پیچیده رانندگی و ارائه راه‌حل‌های نوآورانه را کسب می‌کنید.

برای بهره‌برداری حداکثری از مطالب این دوره، توصیه می‌شود دانش‌آموختگان دارای پیش‌نیازهای زیر باشند:

• آشنایی با برنامه‌نویسی پایتون: دانش پایه و متوسط در برنامه‌نویسی پایتون، شامل ساختارهای داده، توابع، و کلاس‌ها، ضروری است.
• مبانی جبر خطی و حسابان (اختیاری اما مفید): آشنایی اولیه با مفاهیم ماتریس‌ها، بردارها، و مشتقات می‌تواند در درک بهتر الگوریتم‌های یادگیری ماشین و بینایی ماشین کمک‌کننده باشد.
• آشنایی اولیه با مفاهیم یادگیری ماشین (اختیاری): اگرچه دوره مفاهیم مربوط به یادگیری عمیق را پوشش می‌دهد، اما داشتن پیش‌زمینه‌ای کلی از یادگیری ماشین (مانند رگرسیون، طبقه‌بندی) می‌تواند مفید باشد.
• اشتیاق به یادگیری: مهم‌ترین پیش‌نیاز، علاقه و اشتیاق به حوزه خودروهای خودران و بینایی ماشین است.

این دوره به صورت ماژولار طراحی شده است تا یادگیری را برای شما آسان‌تر و سازمان‌یافته‌تر کند. بخش‌های اصلی دوره عبارتند از:

• مقدمه‌ای بر خودروهای خودران و بینایی ماشین:
  • معرفی سطوح خودران و تاریخچه.
  • اهمیت بینایی ماشین در سیستم‌های رانندگی خودکار.
  • معرفی کتابخانه‌های اصلی (OpenCV, NumPy).
• پردازش تصویر مقدماتی برای خودران‌ها:
  • عملیات پایه روی تصاویر (گرای‌اسکیل، تغییر اندازه، برش).
  • فیلترینگ و کاهش نویز (گوسی، میانی).
  • هیستوگرام و تراز کردن کنتراست.
• تشخیص لبه و بخش‌بندی تصویر:
  • الگوریتم‌های Canny, Sobel, Prewitt برای تشخیص لبه.
  • بخش‌بندی تصویر (Image Segmentation) با تکنیک‌های مختلف.
• تشخیص خطوط جاده و ردیابی مسیر:
  • تبدیل Hough برای تشخیص خطوط.
  • فیلتر کردن خطوط و تخمین منطقه مورد علاقه (ROI).
  • پیاده‌سازی سیستم هشدار خروج از خط.
• تشخیص و طبقه‌بندی علائم و چراغ‌های راهنمایی:
  • استفاده از الگوریتم‌های یادگیری ماشینی سنتی.
  • معرفی شبکه‌های عصبی پیچشی (CNN) برای طبقه‌بندی دقیق.
  • پروژه عملی: ساخت سیستم تشخیص علائم رانندگی.
• تشخیص اشیاء با یادگیری عمیق:
  • مقدمه‌ای بر شبکه‌های عصبی عمیق (DNN).
  • بررسی فریم‌ورک‌های YOLO, SSD, Faster R-CNN.
  • آموزش مدل‌های تشخیص اشیاء بر روی داده‌های واقعی خودرو.
• ردیابی اشیاء و تخمین حرکت:
  • الگوریتم‌های ردیابی مانند Kalman Filter و Optical Flow.
  • ردیابی چندگانه اشیاء (Multi-Object Tracking).
  • پروژه: ردیابی خودروها و عابران پیاده در ویدئو.
• تخمین عمق و بازسازی سه‌بعدی:
  • مقدمه‌ای بر استریو ویژن و دوربین‌های عمق.
  • ساخت نقشه‌های عمق و ابر نقاط.
  • کار با داده‌های سه‌بعدی لیدار.
• ادغام حسگرها (Sensor Fusion):
  • چرا Sensor Fusion اهمیت دارد؟
  • ترکیب داده‌های دوربین، لیدار و رادار برای درک جامع محیط.
  • الگوریتم‌های ادغام اطلاعات حسگرها.
• پروژه‌های جامع و عملی:
  • پروژه بزرگ: شبیه‌سازی سیستم بینایی خودروی خودران.
  • تمرینات چالش‌برانگیز و حل مسائل واقعی.

این دوره به شدت بر جنبه‌های عملی تمرکز دارد. شما نه تنها با تئوری‌ها آشنا می‌شوید، بلکه آن‌ها را در عمل پیاده‌سازی خواهید کرد. به عنوان مثال، در بخش تشخیص خطوط جاده، شما کدی را خواهید نوشت که با استفاده از تبدیل هاف (Hough Transform) و فیلترهای Canny، خطوط سفید و زرد جاده را در فید ویدیویی تشخیص می‌دهد و مسیر حرکت خودرو را ترسیم می‌کند. همچنین، در بخش تشخیص اشیاء، با استفاده از مدل‌های YOLO، اشیاء مختلف مانند خودروها، عابران پیاده، و دوچرخه‌سواران را در زمان واقعی شناسایی و باکس‌های مرزی (bounding boxes) برای آن‌ها رسم خواهید کرد.

یکی دیگر از نکات برجسته دوره، پوشش مبحث ادغام حسگرها (Sensor Fusion) است که در خودروهای خودران بسیار حیاتی است. شما یاد می‌گیرید که چگونه اطلاعات بصری از دوربین‌ها را با داده‌های فاصله از سنسورهای لیدار و رادار ترکیب کنید تا یک دید 360 درجه و دقیق از محیط اطراف خودرو به دست آورید و نقاط کور یا خطاهای احتمالی یک سنسور را با داده‌های سنسور دیگر جبران کنید. تمامی این پروژه‌ها با استفاده از کدهای پایتون و دیتاست‌های واقعی یا شبیه‌سازی شده اجرا می‌شوند تا تجربه یادگیری کاملاً کاربردی باشد.