Chi tiết khóa học
Hình thức đào tạo
- Tham gia học trực tiếp tại OpenLab
- Hoặc theo yêu cầu doanh nghiệp (In house Training)
- Cấp chứng nhận hoàn thành sau khóa học
Sơ lược chương trình
Hình thức đào tạo
- Tham gia học trực tiếp tại OpenLab
- Hoặc theo yêu cầu doanh nghiệp (In house Training)
- Cấp chứng nhận hoàn thành sau khóa học
Sơ lược chương trình
1. Thư viện OpenCV (10 giờ)
- Bài 1: Giới thiệu về OpenCV (2 giờ)
- Tổng quan về OpenCV và ứng dụng trong Computer Vision
- Cài đặt và cấu hình OpenCV
- Đọc, hiển thị và lưu ảnh/video với OpenCV
- Bài 2: Xử lý ảnh cơ bản với OpenCV (3 giờ)
- Thao tác pixel và vùng ảnh
- Biến đổi hình học (resize, rotate, affine transformations)
- Lọc ảnh và làm mịn (blurring, sharpening)
- Bài 3: Xử lý ảnh nâng cao với OpenCV (3 giờ)
- Phát hiện cạnh (Canny, Sobel)
- Phân ngưỡng ảnh (thresholding)
- Phân đoạn ảnh (image segmentation)
- Bài 4: Xử lý video với OpenCV (2 giờ)
- Đọc và xử lý video streams
- Trích xuất frames và optical flow
- Dự án mini: Tạo ứng dụng theo dõi đối tượng đơn giản
2. Phân loại hình ảnh và Kiến trúc ResNet (12 giờ)
- Bài 5: Ôn tập CNN và chuẩn bị dữ liệu (3 giờ)
- Ôn tập kiến trúc CNN cơ bản
- Augmentation và tiền xử lý dữ liệu hình ảnh
- Xây dựng pipeline dữ liệu hiệu quả với tf.data hoặc PyTorch DataLoader
- Bài 6: Kiến trúc ResNet (3 giờ)
- Giới thiệu về vấn đề vanishing gradient trong mạng sâu
- Cơ chế skip connection và residual learning
- Các biến thể của ResNet (ResNet50, ResNet101, ResNet152)
- Bài 7: Implement và huấn luyện ResNet (3 giờ)
- Xây dựng kiến trúc ResNet từ đầu với TensorFlow hoặc PyTorch
- Kỹ thuật huấn luyện hiệu quả cho mạng sâu
- Theo dõi và đánh giá quá trình huấn luyện
- Bài 8: Fine-tuning và đánh giá mô hình ResNet (3 giờ)
- Fine-tuning ResNet trên bộ dữ liệu tùy chỉnh
- Kỹ thuật đánh giá mô hình phân loại hình ảnh
- Dự án: Xây dựng ứng dụng phân loại hình ảnh với ResNet
3. Nhận diện đối tượng (12 giờ)
- Bài 9: Giới thiệu về nhận diện đối tượng (2 giờ)
- Tổng quan về bài toán nhận diện đối tượng
- So sánh với bài toán phân loại và phân đoạn ảnh
- Các metrics đánh giá: IoU, mAP
- Bài 10: Kiến trúc R-CNN và biến thể (3 giờ)
- Giới thiệu về R-CNN
- Fast R-CNN và Faster R-CNN
- Mask R-CNN cho instance segmentation
- Bài 11: YOLO (You Only Look Once) (3 giờ)
- Nguyên lý hoạt động của YOLO
- So sánh YOLO với R-CNN
- Các phiên bản của YOLO (v3, v4, v5)
- Bài 12: Implement và huấn luyện mô hình nhận diện đối tượng (4 giờ)
- Chuẩn bị dữ liệu cho bài toán nhận diện đối tượng
- Implement YOLO hoặc Faster R-CNN với TensorFlow/PyTorch
- Huấn luyện và đánh giá mô hình
- Dự án: Xây dựng ứng dụng nhận diện đối tượng thời gian thực
4. Transfer Learning với TensorFlow Hub/ PyTorch Hub (11 giờ)
- Bài 13: Giới thiệu về Transfer Learning (2 giờ)
- Nguyên lý và lợi ích của Transfer Learning
- Các scenario trong Transfer Learning
- So sánh Transfer Learning với training from scratch
- Bài 14: TensorFlow Hub (3 giờ)
- Giới thiệu về TensorFlow Hub
- Sử dụng pre-trained models từ TensorFlow Hub
- Fine-tuning models từ TensorFlow Hub
- Bài 15: PyTorch Hub (3 giờ)
- Giới thiệu về PyTorch Hub
- Sử dụng pre-trained models từ PyTorch Hub
- Fine-tuning models từ PyTorch Hub
- Bài 16: Ứng dụng Transfer Learning trong Computer Vision (3 giờ)
- Transfer Learning cho phân loại hình ảnh
- Transfer Learning cho nhận diện đối tượng
- Dự án cuối khóa: Xây dựng ứng dụng Computer Vision sử dụng Transfer Learning
/* Nội dung chương trình có thể thay đổi theo yêu cầu đào tạo của Doanh nghiệp */
------------------------------------
