Дататон 2020-21
Мероприятие завершено
Совместный проект Академии Высоких Технологий и ТемоЦентра в рамках Московского Технологического Марафона
Совместный проект Академии Высоких Технологий и ТемоЦентра в рамках Московского Технологического Марафона
Дататон 2020-21 – это обучающий курс для учащихся московских школ и колледжей
по компьютерному зрению и методам машинного обучения в задачах беспилотных автомобилей по распознаванию светофоров, пешеходов, дорожных знаков
и других объектов городской среды
по компьютерному зрению и методам машинного обучения в задачах беспилотных автомобилей по распознаванию светофоров, пешеходов, дорожных знаков
и других объектов городской среды
Единственное, что требуется для старта, —
основы программирования на Python.
Освоить базу Python можно за одни выходные: в интернете полно учебников! После этого наши курсы откроют двери в мир технологий искусственного интеллекта, нейронных сетей и компьютерного зрения.
основы программирования на Python.
Освоить базу Python можно за одни выходные: в интернете полно учебников! После этого наши курсы откроют двери в мир технологий искусственного интеллекта, нейронных сетей и компьютерного зрения.
Вы научитесь:
Использовать компьютерное зрение
Работа с библиотекой OpenCV для детектирования объектов
и распознавания образов
и распознавания образов
Применять методы машинного обучения
Обучение нейронных сетей
и других методов ML для решения
прикладных задач
и других методов ML для решения
прикладных задач
Программировать
на Python
на Python
Оптимизация программного кода для достижения наилучшего результата на реальном «железе»
Работать
в команде
в команде
Разделение обязанностей, совместный анализ информации, использование сильных сторон каждого члена команды
Базовый курс состоит из 4 задач
и онлайн-уроков по каждой из них
и онлайн-уроков по каждой из них
Дедлайн: 25 декабря!
Участники, которые успешно выполнят задачи базового курса, будут приглашены на офлайн-финал. По итогам финала будут вручены сертификаты о прохождении практического курса по компьютерному зрению и основам машинного обучения.
Зимой 2021 года стартует продвинутый этап Дататона.
В этом уроке мы будем распознавать, какой свет сейчас зажжён на фотографиях реальных светофоров. Научимся пользоваться особенностью цветового пространства HSV и искать файлы по маске адреса.
00:05 – Постановка задачи
00:55 – Общее описание работы алгоритма
04:55 – Изъятие конкретной составляющей цвета из изображения
15:12 – Разбор программы распознования сигналов светофора
25:55 – Работа с путями и именами изображений
Проходной балл в задаче на онлайн-платформе – 0,9
00:55 – Общее описание работы алгоритма
04:55 – Изъятие конкретной составляющей цвета из изображения
15:12 – Разбор программы распознования сигналов светофора
25:55 – Работа с путями и именами изображений
Проходной балл в задаче на онлайн-платформе – 0,9
Детектирование объектов на изображении
0:07 – Что называется детектированием?
1:14 – Принцип работы детектирования по цвету
3:26 – Функция бинаризации inRange
6:03 – Программа для подбора порогов бинаризации
11:13 – Бинаризация изображения из файла и с камеры: значения параметров
15:47 – Функция размытия изображения
18:29 – Избавление от ряби на чёрно-белом изображении: функции erode и dilate
22:19 – Написание функции детектирования знаков: получение бинаризованного изображения
25:14 – Написание функции детектирования знаков: функция поиска контуров
29:08 – Написание функции детектирования знаков: использование наибольшего контура
31:38 – Вырезание области изображения с детектируемым объектов
1:14 – Принцип работы детектирования по цвету
3:26 – Функция бинаризации inRange
6:03 – Программа для подбора порогов бинаризации
11:13 – Бинаризация изображения из файла и с камеры: значения параметров
15:47 – Функция размытия изображения
18:29 – Избавление от ряби на чёрно-белом изображении: функции erode и dilate
22:19 – Написание функции детектирования знаков: получение бинаризованного изображения
25:14 – Написание функции детектирования знаков: функция поиска контуров
29:08 – Написание функции детектирования знаков: использование наибольшего контура
31:38 – Вырезание области изображения с детектируемым объектов
Распознавание детектированных объектов
0:07 – Принцип распознавания сравнением с эталоном
2:37 – Бинаризация эталонного изображения и распознаваемого
9:09 – Распознавание дорожных знаков: сравнение сдетектированного изображения с эталоном
12:57 – Верификация распознаного изображения
Проходной балл в задаче на онлайн-платформе – 0,8
2:37 – Бинаризация эталонного изображения и распознаваемого
9:09 – Распознавание дорожных знаков: сравнение сдетектированного изображения с эталоном
12:57 – Верификация распознаного изображения
Проходной балл в задаче на онлайн-платформе – 0,8
Предобученный HOG-SVM детектор
В этом уроке мы поговорим о том, как работают HOG-SVM детектор, и воспользуемся предобученным детектором для обнаружения пешеходов.
Обучение собственного SVM детектора
В этом уроке мы научимся размечать изображения для обучения SVM детекторов, нейронных сетей и других моделей машинного обучения (ML). Получим информацию из файлов аннотаций к изображениям и используем её для обучения собственного SVM-детектора.
Проходной балл в задаче на онлайн-платформе – 0,65
Проходной балл в задаче на онлайн-платформе – 0,65
Детектирование дорожной разметки
00:21 – Детектирование дорожной разметки камерой беспилотного автомобиля и движение по своей полосе дорожного полотна
02:18 – Общий разбор работы алгоритма
05:41 – Бинаризация изображения
13:29 – Перспективное преобразование
18:36 – Находим самые белые столбцы
24:06 – Располагаем окна для поиска пикселей разметки
30:12 – Находим пиксели дорожной разметки
37:11 – Перемещаем окна за линией
39:51 – Вычисляем центральную линию
Проходной балл в задаче на онлайн-платформе – 0,85
02:18 – Общий разбор работы алгоритма
05:41 – Бинаризация изображения
13:29 – Перспективное преобразование
18:36 – Находим самые белые столбцы
24:06 – Располагаем окна для поиска пикселей разметки
30:12 – Находим пиксели дорожной разметки
37:11 – Перемещаем окна за линией
39:51 – Вычисляем центральную линию
Проходной балл в задаче на онлайн-платформе – 0,85
- DiscordВопросы по задачам можно задать разработчикам на сервере в Discord. На этом же сервере будут проходить консультации с организаторами.
Партнёры Дататона
