Различия курсов "Компьютерное зрение" и "Компьютерное зрение Advanced"

✨Различия курсов «Компьютерное зрение» и «Компьютерное зрение Advanced» в OTUS

Уважаемые студенты, чтобы вам было проще выбрать, специально для вас мы подготовили материал, в котором наглядно показана разница между курсами «Компьютерное зрение» и «Компьютерное зрение Advanced».

Уровень глубины изучаемых тем:

Компьютерное зрение: Базовый курс, фокусируется на введении в основы компьютерного зрения, глубокого обучения и нейросетей.
Компьютерное зрение Advanced: Продвинутый курс, вместо основ делается упор на более глубокое изучение тем и современных подходов.

Используемые библиотеки:

Компьютерное зрение: Рассматривается базовый функционал основных библиотек компьютерного зрения и глубокого обучения (opencv, pytorch).
Компьютерное зрение Advanced: Рассматривается более продвинутый функционал основных библиотек (pytorch 2.x, torchvision), а также изучаются дополнительные библиотеки (HuggingFace, Kornia и др.).

Введение в Deep Learning:

Компьютерное зрение: Рассматриваются базовые темы по глубокому обучению - начиная от модели искусственного нейрона и методу градиентного спуска, заканчивая проблемами переобучения нейросетей и взрывом/затуханием градиента. Рекомендуется для тех, кто не знаком с Deep Learning и нейронными сетями.
Компьютерное зрение Advanced: Базовые темы Deep Learning НЕ рассматриваются! Для обучения на продвинутом курсе необходимо обладать этими знаниями.

Дополнительные продвинутые темы:

Компьютерное зрение Advanced: Содержит продвинутые темы, такие как: калибровка камер, 3D реконструкция, SLAM, self-driving и автономные транспортные средства, распознавание и детекция действий на видео, трекинг и ре-идентификация объектов.

Генеративный AI:

Компьютерное зрение: Содержит базовые темы по генеративным моделям.
Компьютерное зрение Advanced: Генеративные модели изучаются более детально, упор делается на самые современные модели типа stable diffusion. Вдобавок, рассматриваются такие задачи как генерация изображений/видео из текста, и обратная задача - генерация текста по изображению/видео.

Оптимизация и продакшен:

Компьютерное зрение Advanced: Включает модуль по оптимизации моделей для инференса, а также то, как подготовить модель к продакшену, что не рассматривается в базовом курсе.

✨Сравнительная таблица по модулям курсов «Компьютерное зрение» и «Компьютерное зрение Advanced»

Модуль	Компьютерное зрение	Компьютерное зрение Advanced	Выводы
Модуль 1: Вводная часть и настройка	Вводная лекция, настройка окружения, базовый обзор ML-библиотек	Вводная лекция, настройка окружения, углубленный обзор PyTorch и доп. библиотек	Базовый курс уделяет больше внимания знакомству с библиотеками и инструментами CV, тогда как продвинутый делает упор на более глубокое изучение функционала этих библиотек.
Модуль 2: Нейронные сети и обучение	Основы нейронных сетей, градиентный спуск, PyTorch, регуляризация	Эволюция сверточных сетей, Self-Supervised Learning, адаптивные методы	В базовом курсе рассматриваются основы нейросетей, а в продвинутом - самые современные архитектуры и продвинутые методы обучения, такие как Self-Supervised.
Модуль 3: Стандартные задачи CV	Детектирование объектов, сегментация, распознавание лиц, оценка позы	Расширенные методы детектирования, 3D сегментация, трекинг, ReID	Продвинутый курс охватывает 3D сегментацию, трекинг и ре-идентификацию объектов, также более детально изучаются стандартные задачи такие как детекция объектов и Pose Estimation
Модуль 4: Генеративные модели	VAE, GAN, диффузионные модели, стиль изображений	VAE, GAN, диффузионные модели, генеративные видеомодели, мультимодальные нейросети	Продвинутый курс добавляет видеомодели и мультимодальные нейросети
Модуль 5: Продвинутые методы CV	Геометрические методы в CV	SAM, стереозрение, 3D реконструкция, SLAM, модели для автономных ТС, детекция действий	Продвинутый курс включает больше продвинутых тем, таких как SLAM и 3D реконструкция
Модуль 6: Оптимизация инференса	Отсутствует	Инференс на сервере, аннотация данных в CVAT	Только в продвинутом курсе есть модуль по оптимизации инференса и аннотации данных
Модуль 7: Проектная работа	Консультации по проектам, защита проектов	Консультации по проектам, защита проектов	Оба курса завершаются проектной работой

Модуль 1: Вводная часть и настройка; Вводная лекция, настройка окружения, базовый обзор ML-библиотек; Вводная лекция, настройка окружения, углубленный обзор PyTorch и доп. библиотек; Базовый курс уделяет больше внимания знакомству с библиотеками и инструментами CV, тогда как продвинутый делает упор на более глубокое изучение функционала этих библиотек.; Модуль 2: Нейронные сети и обучение; Основы нейронных сетей, градиентный спуск, PyTorch, регуляризация; Эволюция сверточных сетей, Self-Supervised Learning, адаптивные методы; В базовом курсе рассматриваются основы нейросетей, а в продвинутом - самые современные архитектуры и продвинутые методы обучения, такие как Self-Supervised.; Модуль 3: Стандартные задачи CV; Детектирование объектов, сегментация, распознавание лиц, оценка позы; Расширенные методы детектирования, 3D сегментация, трекинг, ReID; Продвинутый курс охватывает 3D сегментацию, трекинг и ре-идентификацию объектов, также более детально изучаются стандартные задачи такие как детекция объектов и Pose Estimation; Модуль 4: Генеративные модели; VAE, GAN, диффузионные модели, стиль изображений; VAE, GAN, диффузионные модели, генеративные видеомодели, мультимодальные нейросети; Продвинутый курс добавляет видеомодели и мультимодальные нейросети; Модуль 5: Продвинутые методы CV; Геометрические методы в CV; SAM, стереозрение, 3D реконструкция, SLAM, модели для автономных ТС, детекция действий; Продвинутый курс включает больше продвинутых тем, таких как SLAM и 3D реконструкция; Модуль 6: Оптимизация инференса; Отсутствует; Инференс на сервере, аннотация данных в CVAT; Только в продвинутом курсе есть модуль по оптимизации инференса и аннотации данных; Модуль 7: Проектная работа; Консультации по проектам, защита проектов; Консультации по проектам, защита проектов; Оба курса завершаются проектной работой;

✨Сравнительная таблица возможностей и прикладных задач для выпускников курсов «Компьютерное зрение» и «Компьютерное зрение. Advanced»

Модуль	Компьютерное зрение (CV)	Компьютерное зрение Advanced (CV Advanced)
Детектирование объектов	Что смогут делать: Разработка систем для распознавания объектов на изображениях Примеры прикладных задач: Система контроля качества на производстве	Что смогут делать: Разработка и оптимизация новейших моделей для детектирования объектов с высокой точностью и эффективностью. Примеры прикладных задач: Высокоточное детектирование объектов для автономного вождения
Сегментация изображений	Что смогут делать: Разработка приложений для выделения и классификации различных структур на медицинских снимках Примеры прикладных задач: Медицинская диагностика	Что смогут делать: Применение методов самосовершенствования для создания более устойчивых и точных моделей без необходимости большого количества размеченных данных. Примеры прикладных задач: Создание моделей для медицинской диагностики
Распознавание объектов	Что смогут делать: Создание систем безопасности для идентификации лиц на основе фото или видео. Примеры прикладных задач: Системы безопасности	Что смогут делать: Создание систем для автономных транспортных средств и роботов, способных ориентироваться и строить карты окружающей среды. Примеры прикладных задач: Автономные транспортные средства и роботы
Оценка позы	Что смогут делать: Разработка приложений для анализа движений и поз человека. Примеры прикладных задач: Приложения в спорте или реабилитации	Что смогут делать: Разработка приложений для создания 3D моделей объектов и сцен. Примеры прикладных задач: Применение в медицине, архитектуре и робототехнике.
Генеративные модели	Что смогут делать: Введение в генеративные модели, генерация изображений Примеры прикладных задач: Генерация изображений для маркетинга и рекламы	Что смогут делать: Генерация изображений и видео, мультимодальные модели text-to-image и image-to-text. Примеры прикладных задач: Киноиндустрия и видеоигры.
Интеграция данных	Что смогут делать: Обработка изображений и видеоданных для дальнейшего анализа. Примеры прикладных задач: Анализ видеозаписей для мониторинга безопасности	Что смогут делать: Создание систем, способных быстро и эффективно обрабатывать и интегрировать различные типы данных (текст, изображения, видео). Примеры прикладных задач: Визуальный QA, генерация изображений по текстовым описаниям.

Детектирование объектов; Что смогут делать: Разработка систем для распознавания объектов на изображениях Примеры прикладных задач: Система контроля качества на производстве; Что смогут делать: Разработка и оптимизация новейших моделей для детектирования объектов с высокой точностью и эффективностью. Примеры прикладных задач: Высокоточное детектирование объектов для автономного вождения; Сегментация изображений; Что смогут делать: Разработка приложений для выделения и классификации различных структур на медицинских снимках Примеры прикладных задач: Медицинская диагностика; Что смогут делать: Применение методов самосовершенствования для создания более устойчивых и точных моделей без необходимости большого количества размеченных данных. Примеры прикладных задач: Создание моделей для медицинской диагностики; Распознавание объектов; Что смогут делать: Создание систем безопасности для идентификации лиц на основе фото или видео. Примеры прикладных задач: Системы безопасности; Что смогут делать: Создание систем для автономных транспортных средств и роботов, способных ориентироваться и строить карты окружающей среды. Примеры прикладных задач: Автономные транспортные средства и роботы; Оценка позы; Что смогут делать: Разработка приложений для анализа движений и поз человека. Примеры прикладных задач: Приложения в спорте или реабилитации; Что смогут делать: Разработка приложений для создания 3D моделей объектов и сцен. Примеры прикладных задач: Применение в медицине, архитектуре и робототехнике. Генеративные модели; Что смогут делать: Введение в генеративные модели, генерация изображений Примеры прикладных задач: Генерация изображений для маркетинга и рекламы; Что смогут делать: Генерация изображений и видео, мультимодальные модели text-to-image и image-to-text. Примеры прикладных задач: Киноиндустрия и видеоигры. Интеграция данных; Что смогут делать: Обработка изображений и видеоданных для дальнейшего анализа. Примеры прикладных задач: Анализ видеозаписей для мониторинга безопасности; Что смогут делать: Создание систем, способных быстро и эффективно обрабатывать и интегрировать различные типы данных (текст, изображения, видео). Примеры прикладных задач: Визуальный QA, генерация изображений по текстовым описаниям.

Остались вопросы? Наши специалисты с радостью на них ответят. Просто заполните форму и Вам перезвонят!

Заполняя эту форму вы соглашаетесь с пользовательским соглашением и политикой конфиденциальности.

Информация

Об Otus

Контакты

По всем вопросам
help@otus.ru