فلش‌کارت‌های آموزشی تشخیص اشیاء با استفاده از OpenCV

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص اشیاء با استفاده از OpenCV

موضوع کلی: برنامه نویسی

موضوع میانی: بینایی کامپیوتر (Computer Vision)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی ماشین و کاربردهای آن
• 2. تشخیص اشیاء: تعاریف و اهمیت
• 3. نصب و راه‌اندازی محیط توسعه (Python, OpenCV)
• 4. بارگذاری، نمایش و ذخیره تصاویر
• 5. کار با ویدئو: ورودی دوربین و فایل
• 6. مفاهیم پایه تصویر: پیکسل، کانال، رنگ
• 7. تبدیل فضاهای رنگی (BGR, RGB, HSV, Gray)
• 8. عملیات پایه بر روی تصویر: برش، تغییر اندازه، چرخش
• 9. رسم اشکال هندسی و متن روی تصاویر
• 10. رویدادهای ماوس و کیبورد در OpenCV
• 11. آستانه‌گذاری (Thresholding) ساده و تطبیقی
• 12. عملیات بیتی (Bitwise Operations) و ماسک‌گذاری
• 13. فیلترهای هموارسازی (Smoothing): بلورینگ، گوسی، میانی
• 14. فیلترهای شارپ‌سازی (Sharpening)
• 15. تشخیص لبه (Edge Detection): سوبل، شاری، لاپلاسین
• 16. تشخیص لبه با الگوریتم Canny
• 17. عملیات مورفولوژی: فرسایش و انبساط
• 18. عملیات مورفولوژی: باز کردن و بستن
• 19. عملیات مورفولوژی: گرادیان و کلاه سیاه/سفید
• 20. هیستوگرام تصاویر و تعدیل آن (Equalization)
• 21. تبدیل فوریه گسسته (DFT) و کاربردهای آن
• 22. تبدیل تصاویر از دامنه مکان به فرکانس
• 23. هرم تصاویر (Image Pyramids): گوسی و لاپلاسین
• 24. عملیات ریاضی بر روی تصاویر: جمع، تفریق، ترکیب
• 25. یافتن و تحلیل کانتورها (Contours)
• 26. مقدمه‌ای بر ویژگی‌های تصویر
• 27. تشخیص گوشه: الگوریتم Harris
• 28. تشخیص گوشه: الگوریتم Shi-Tomasi
• 29. مفهوم توصیف‌گرهای ویژگی (Feature Descriptors)
• 30. الگوریتم FAST برای تشخیص نقاط کلیدی
• 31. توصیف‌گر BRIEF
• 32. ویژگی‌های ORB (Oriented FAST and Rotated BRIEF)
• 33. تطابق ویژگی‌ها (Feature Matching): Brute-Force
• 34. تطابق ویژگی‌ها: FLANN (Fast Library for Approximate Nearest Neighbors)
• 35. برآورد هموگرافی (Homography) و کاربردهای آن
• 36. تطابق الگو (Template Matching)
• 37. ردیابی شیء با Optical Flow (Lucas-Kanade)
• 38. مقدمه‌ای بر استخراج ویژگی‌ها برای تشخیص شیء
• 39. تشخیص چهره با Haar Cascades
• 40. آموزش Haar Cascades سفارشی (مفاهیم)
• 41. تشخیص اشیاء با HOG (Histogram of Oriented Gradients)
• 42. طبقه‌بندی‌کننده SVM (Support Vector Machine) برای HOG
• 43. تشخیص عابر پیاده با HOG + SVM
• 44. تشخیص اشیاء با الگوی پنجره لغزان (Sliding Window)
• 45. پس‌زمینه سازی (Background Subtraction): MOG2
• 46. ردیابی شیء با Mean Shift
• 47. ردیابی شیء با CamShift
• 48. آنالیز اجزای متصل (Connected Component Analysis)
• 49. مقدمه‌ای بر یادگیری ماشین در بینایی ماشین
• 50. یادگیری با نظارت و بدون نظارت
• 51. معرفی شبکه‌های عصبی مصنوعی (ANN)
• 52. پرسپترون و توابع فعال‌سازی
• 53. شبکه‌های عصبی چند لایه (MLP)
• 54. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 55. معرفی شبکه‌های عصبی کانولوشنال (CNN)
• 56. لایه‌های کانولوشن (Convolutional Layers)
• 57. لایه‌های پولینگ (Pooling Layers)
• 58. لایه‌های کاملاً متصل (Fully Connected Layers)
• 59. معماری پایه CNN برای طبقه‌بندی تصویر
• 60. مفهوم انتقال یادگیری (Transfer Learning)
• 61. سیر تکامل روش‌های تشخیص شیء با یادگیری عمیق
• 62. تشخیص شیء دو مرحله‌ای: R-CNN، Fast R-CNN (مفاهیم)
• 63. معماری Faster R-CNN و شبکه‌های پیشنهاد منطقه (RPN)
• 64. Anchor Boxes و RoI Pooling/Align در Faster R-CNN
• 65. معرفی تشخیص شیء تک مرحله‌ای
• 66. معماری YOLO (You Only Look Once) V1 و V2
• 67. معماری YOLO V3 و Darknet
• 68. بهبودهای YOLO V4
• 69. خانواده YOLO V5 و استفاده از PyTorch
• 70. معماری SSD (Single Shot MultiBox Detector)
• 71. شبکه‌های هرمی ویژگی (Feature Pyramid Networks - FPN)
• 72. RetinaNet و Focal Loss
• 73. EfficientDet و کارایی
• 74. انتخاب معماری مناسب برای تشخیص شیء
• 75. ماژول DNN در OpenCV
• 76. بارگذاری مدل‌های از پیش آموزش‌دیده Caffe در OpenCV DNN
• 77. بارگذاری مدل‌های از پیش آموزش‌دیده TensorFlow در OpenCV DNN
• 78. بارگذاری مدل‌های از پیش آموزش‌دیده PyTorch در OpenCV DNN
• 79. پیاده‌سازی تشخیص اشیاء با مدل‌های YOLO در OpenCV
• 80. پیاده‌سازی تشخیص اشیاء با مدل‌های SSD در OpenCV
• 81. ساخت مجموعه داده و ابزارهای لیبل‌گذاری (LabelImg, CVAT)
• 82. فرمت‌های bounding box (Pascal VOC, COCO, YOLO)
• 83. تقسیم مجموعه داده (آموزش، اعتبارسنجی، تست)
• 84. پیش‌پردازش داده‌ها و افزایش داده (Data Augmentation)
• 85. تابع هزینه (Loss Function) در تشخیص شیء
• 86. سرکوب غیرحداکثری (Non-Maximum Suppression - NMS)
• 87. ارزیابی تشخیص شیء: Intersection over Union (IoU)
• 88. ارزیابی تشخیص شیء: Precision، Recall و F1-Score
• 89. ارزیابی تشخیص شیء: Mean Average Precision (mAP)
• 90. آموزش یک مدل YOLO سفارشی (مراحل کلی)
• 91. آموزش یک مدل SSD سفارشی (مراحل کلی)
• 92. تنظیم هایپرپارامترها و جلوگیری از بیش‌برازش (Overfitting)
• 93. بهینه‌سازی مدل برای استنتاج
• 94. ردیابی اشیاء پس از تشخیص (Object Tracking) با SORT/DeepSORT
• 95. تشخیص اشیاء در جریان‌های ویدئویی زنده
• 96. چالش‌های تشخیص اشیاء کوچک و در محیط‌های شلوغ
• 97. تشخیص اشیاء در شرایط نامطلوب (نور کم، مه)
• 98. بهینه‌سازی و استقرار مدل‌ها بر روی دستگاه‌های لبه (Edge Devices)
• 99. ملاحظات اخلاقی و سوگیری در بینایی ماشین
• 100. آینده تشخیص اشیاء و روندهای جدید