این دوره به شما کمک می‌کند تا:

• مفاهیم اساسی بینایی کامپیوتر را درک کنید.
• با استفاده از کتابخانه‌های قدرتمند پایتون مانند OpenCV و TensorFlow، برنامه‌های کاربردی بینایی کامپیوتر بسازید.
• توانایی تشخیص اشیاء، چهره‌ها، و الگوها را در تصاویر و ویدیوها بدست آورید.
• با تکنیک‌های پردازش تصویر و یادگیری عمیق (Deep Learning) آشنا شوید.
• مهارت‌های عملی مورد نیاز برای ورود به بازار کار در حوزه بینایی کامپیوتر را کسب کنید.
• به مجموعه‌ای از پروژه‌های عملی دسترسی داشته باشید که می‌توانید از آن‌ها برای ساخت نمونه‌کارهای خود استفاده کنید.

این دوره به گونه‌ای طراحی شده است که هم برای مبتدیان و هم برای افرادی که تجربه‌ای در زمینه برنامه‌نویسی دارند، مناسب باشد. توضیحات جامع و پروژه‌های عملی، یادگیری را لذت‌بخش و موثر می‌سازند.

این دوره شامل مباحث متنوعی است که به شما کمک می‌کند تا یک دید کامل نسبت به بینایی کامپیوتر پیدا کنید. برخی از مهم‌ترین مباحث عبارتند از:

• مقدمه‌ای بر بینایی کامپیوتر: آشنایی با تاریخچه، مفاهیم پایه، و کاربردهای بینایی کامپیوتر.
• پردازش تصویر با OpenCV: یادگیری نحوه خواندن، نوشتن، و ویرایش تصاویر با استفاده از کتابخانه OpenCV. مباحثی مانند فیلترها، آستانه‌گذاری (Thresholding)، و عملیات مورفولوژی مورد بررسی قرار می‌گیرند.
• تشخیص ویژگی‌ها (Feature Detection): آشنایی با الگوریتم‌های تشخیص ویژگی مانند Harris Corner Detection، SIFT، و SURF.
• توصیف‌گرهای ویژگی (Feature Descriptors): یادگیری نحوه استخراج توصیف‌گرهای ویژگی از تصاویر، مانند HOG و BoW.
• یادگیری ماشین برای بینایی کامپیوتر: استفاده از الگوریتم‌های یادگیری ماشین مانند SVM و KNN برای طبقه‌بندی تصاویر و تشخیص اشیاء.
• یادگیری عمیق برای بینایی کامپیوتر: آشنایی با شبکه‌های عصبی کانولوشنال (CNN) و استفاده از آن‌ها برای تشخیص اشیاء، طبقه‌بندی تصاویر، و تقسیم‌بندی معنایی (Semantic Segmentation).
• استفاده از TensorFlow و Keras: یادگیری نحوه ساخت و آموزش مدل‌های یادگیری عمیق با استفاده از TensorFlow و Keras.
• پروژه‌های عملی: انجام پروژه‌های عملی متنوعی مانند تشخیص چهره، تشخیص اشیاء در تصاویر، تشخیص پلاک خودرو، و ساخت یک سیستم تشخیص حرکت.

هر مبحث با مثال‌های عملی و کدهای قابل اجرا همراه است تا بتوانید به سرعت مفاهیم را درک کرده و آن‌ها را در پروژه‌های خود به کار ببرید.

برای شرکت در این دوره، داشتن دانش اولیه در زمینه‌های زیر توصیه می‌شود:

• آشنایی با برنامه‌نویسی پایتون: آشنایی با مفاهیم پایه پایتون مانند متغیرها، حلقه‌ها، توابع، و کلاس‌ها ضروری است.
• دانش ریاضی پایه: آشنایی با مفاهیم جبر خطی و آمار برای درک بهتر الگوریتم‌های بینایی کامپیوتر مفید خواهد بود.
• آشنایی با سیستم عامل: توانایی کار با خط فرمان (Command Line) برای نصب و پیکربندی نرم‌افزارها لازم است.

اگر هیچ تجربه‌ای در زمینه برنامه‌نویسی ندارید، توصیه می‌شود ابتدا یک دوره مقدماتی پایتون را بگذرانید. با این حال، دوره به گونه‌ای طراحی شده است که مفاهیم پایه‌ای نیز به طور مختصر توضیح داده شوند.

ارائه دوره بر روی فلش مموری ۳۲ گیگابایتی، مزایای متعددی را برای شما به همراه دارد:

• دسترسی آفلاین: شما می‌توانید در هر زمان و مکانی به محتوای دوره دسترسی داشته باشید، حتی بدون اتصال به اینترنت.
• امنیت داده‌ها: اطلاعات دوره بر روی فلش مموری ذخیره شده و از خطرات احتمالی ناشی از دانلود از اینترنت در امان هستند.
• انتقال آسان: می‌توانید به راحتی فلش مموری را به کامپیوترهای مختلف متصل کرده و از دوره استفاده کنید.
• فضای ذخیره‌سازی: فلش مموری علاوه بر محتوای دوره، فضای کافی برای ذخیره پروژه‌ها و فایل‌های تمرینی شما را نیز فراهم می‌کند.

این روش ارائه، به ویژه برای افرادی که دسترسی محدودی به اینترنت پرسرعت دارند، بسیار مناسب است.

1. بخش اول: مقدمه‌ای بر بینایی کامپیوتر و OpenCV (نصب، راه‌اندازی، مفاهیم پایه)
2. بخش دوم: پردازش تصویر (فیلترها، آستانه‌گذاری، عملیات مورفولوژی)
3. بخش سوم: تشخیص ویژگی‌ها و توصیف‌گرهای ویژگی (Harris، SIFT، SURF، HOG، BoW)
4. بخش چهارم: یادگیری ماشین برای بینایی کامپیوتر (SVM، KNN، طبقه‌بندی تصاویر)
5. بخش پنجم: یادگیری عمیق و شبکه‌های عصبی کانولوشنال (CNN)
6. بخش ششم: استفاده از TensorFlow و Keras برای ساخت مدل‌های بینایی کامپیوتر
7. بخش هفتم: پروژه‌های عملی (تشخیص چهره، تشخیص اشیاء، تشخیص پلاک خودرو)

یکی از جذاب‌ترین مباحث دوره، تشخیص چهره در تصاویر و ویدیوها است. در این بخش، شما یاد می‌گیرید که چگونه با استفاده از کتابخانه OpenCV و الگوریتم‌های Haar Cascade، چهره‌ها را به طور خودکار تشخیص دهید. این تکنیک کاربردهای فراوانی در زمینه‌های امنیتی، بازاریابی، و سرگرمی دارد.

برای مثال، شما می‌توانید یک برنامه ساده بنویسید که به طور مداوم از وب‌کم شما تصویر بگیرد و چهره‌های موجود در تصویر را با یک کادر مشخص کند. این یک پروژه عملی بسیار جذاب است که به شما کمک می‌کند تا مفاهیم بینایی کامپیوتر را به طور ملموس تجربه کنید.

کد نمونه (بخش کوچکی از کد):

        
            import cv2

            face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

            img = cv2.imread('image.jpg')
            gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

            faces = face_cascade.detectMultiScale(gray, 1.1, 4)

            for (x, y, w, h) in faces:
                cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

            cv2.imshow('img', img)
            cv2.waitKey()