Radionica za učenje programiranja aplikacija umjetne inteligencije (AI)

U splitskoj tehnološkoj zajednici okupljenoj oko ML/AI Split meetupa javio se interes da se organizira jedna besplatna i za sve otvorena radionica gdje bi se zainteresirane poučilo kako da sami krenu u razvoj vlastite aplikaciju za neku primjenu koja bi koristile automatizirano prepoznavanje objekata koristeći YOLO algoritam. Polaznike bi se uputilo u podešavanje razvojnog okruženje, potrebne tehnologije i samu problematiku strojnog učenja i prepoznavanja objekata korištenjem YOLO algoritma.

Veliki interes studenata i članova ML/AI Split meetupa, ali i ostalih se javio nakon vrlo posjećenog predavanja ML/AI Split meetupa Luke Farkaša, inače ATOS Interna i stipendista, s temom korištenja dostupnih podataka i YOLO algoritma za prepoznavanje objekata oko nas.

Luka je prezentirao što se sve može napraviti korištenjem YOLO algoritma i PyTorch frameworka uz korištenje dataseta iz javno dostupnih izvora kao što su prometne kamere.

Stoga u organizaciji ICT županije i EDIT CodeSchool, Luka Farkaš - ATOS Intern uz podršku Odjela za informatiku Splitskog PMF-a, održao bi višetjednu Hands-on radionicu s temom: Prepoznavanje objekata korištenjem YOLOv5

Radionica je zamišljena kao samostalan rad na modelima detekcije objekata uz kratke prezentacije i simulacije o istima. Polaznici bi se upoznali s koracima i postupcima (workflow) pri kreiranju modela neuronskih mreža za rad s Machine Learning algoritmima u svijetu računalnog vida (CV), odnosno detekcije objekata. Polaznik bi nakon završetka radionice bio sposoban prikupiti vlastite podatke, odabrati prikladan model i istrenirati isti. Tijekom pripreme podataka i treniranja modela, polaznik će biti sposoban uvidjeti potencijalne probleme i optimizirati ih na što efikasniji način.

Plan radionice:

1. Upoznavanje s python bilježnicama i YOLOv5 frameworkom uz treniranje unaprijed pripremljenih datasetova dostupnih na Roboflow-u. Neki datasetova su: Aerial Maritime Drone Dataset, Mask Wearing Dataset, Blood Cells Dataset, Vehicle OpenImages Dataset i drugi. Zašto je YOLO prekretnica u problemima detekcije objekata? Ogledni pregled mogućnosti koje pružaju YOLOv5 i Roboflow. Treniranje modela, evaluacija rezultata i testiranje modela na drugim primjerima.
2. Machine Learning workflow uz kratke zadatke i PyTorch tutorijale: augmentacije, hiperparametri, optimizacija, loss funckije, aktivacijske funkcije, slojevi neuronske mreže itd. Upoznavanje s konvolucijskim neuronskim mrežama uz razne simulacije. Rad s PyTorch frameworkom i njegove mogućnosti. Usporedba YOLOv5 (one-shot detector) s two-shot detektorima i detaljnija analiza YOLOv5.
3. Testiranje drugih YOLO modela te usporedba sa sličnima. Usporedba rezultata i brzine treniranja i detekcije. Unaprjeđivanje detekcije objekata na praćenje objekata pomoću DeepSort algoritama. Dogovor i ideje za vlastite projekte.
4. Pripremanje podataka, health check, augmentacije itd… Možemo li od male količine podataka istrenirati model koji detektira „dovoljno“ dobro? Samostalan rad uz međusobno savjetovanje i suradnju.
5. Multi-object tracking na vlastitom projektu. Pregled i komentiranje projekata i ideje za daljni rad. Detekcija određene pozicije kako bi se poboljšala točnost modela i prikupljenih podataka.
6. Predstavljanje vlastitih projekata

Radionica je besplatna i održavala bi se tijekom srpnja u PICS@FESB predinkubatoru ICT županije, u periodu 11.07. do 30.07. a polaznici bi na kraju workshopa izradili i vlastiti projekt.

Prijave su otvorene do 08.07./24.00h , a link za prijavu je ovdje : https://bit.ly/34Yolo