SIFT is a computer vision technique for detecting scale-invariant features. Unlike humans, machines struggle with scale and perspective variations. SIFT enables machines to match features across different images
Bu video, Microsoft Türkiye'de çalışan bir uzman tarafından sunulan, Microsoft Cognitive Services hakkında kapsamlı bir eğitim içeriğidir. Sunumda Burak Aydın ve Sami adlı kişiler de yer almaktadır.. Video, Microsoft Cognitive Services'in ne olduğunu, nasıl kullanılabileceğini ve çeşitli API'lerini (Computer Vision, Emotion Recognition, Speech, Bing Search) detaylı olarak anlatmaktadır. Sunum boyunca görüntü işleme, konuşma tanıma, dil analizi ve arama gibi farklı alanlardaki servislerin demoları gösterilmekte, ayrıca DirectMan API'si ve uygulamaları hakkında bilgiler verilmektedir.. Sunumda ayrıca bu servislerin Azure Machine Learning ile nasıl entegre edilebileceği, farklı projelere nasıl entegre edilebileceği ve örnek projeler (Howald.dotnet, Twind, Maymunlar, Mimier Alarm, Magic Mirror) gösterilmektedir. Video, izleyicilere workshop fırsatı sunmakta ve GitHub üzerinden kod örneklerinin indirilebileceği belirtilmektedir.
Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından görüntü işleme konuları anlatılmaktadır.. Video, görüntü işleme işlemlerinde kaydırma ve erozyon işlemlerini detaylı olarak ele almaktadır. İlk olarak, bir resmin piksel bazında kaydırılması gösterilmekte, ardından erozyon işlemi açıklanmaktadır. Eğitmen, matrisler kullanarak bu işlemlerin nasıl yapıldığını, birleşim ve kesişim kavramlarını örneklerle anlatmaktadır. Ayrıca, metin üzerinde çerçeve açma ve erozyon işlemlerinin sonuçları görsel olarak gösterilmektedir.
Advanced computer vision program lasting 2 months. Requires basic programming and Python knowledge. Average rating of 4.7 stars based on 477 reviews
Bu video, bir eğitim içeriği olup, konuşmacı nesne izleme (object tracking) konusunu adım adım anlatmaktadır. Videoda Mürteza adında bir kişinin de bahsettiği bir kitap ve video referansları bulunmaktadır.. Video, nesne tanıma kodunun nesne izleme için nasıl geliştirileceğini göstermektedir. İçerikte videodan örnek bir resim alma, sınırlandırma, maske oluşturma, "sort" adlı kütüphanenin yükleme ve kullanımı, tracker tanımlama ve detection ekleme gibi adımlar detaylı şekilde anlatılmaktadır. Programın çalıştırılmasıyla videoda nesnelerin kimlik numaraları ve koordinatlarının nasıl görüntüleneceği gösterilmektedir.. Videoda ayrıca, programın performansı için sabit bir kameradan çekilmiş videoların daha iyi sonuç verdiği ve engellerin (ağaçlar, sallantı) nesne izleme performansını nasıl etkilediği de açıklanmaktadır.
Blurring filtresi, piksel değerlerinin ortalamasını alarak kenarları yumuşatır. Sharpening filtresi, görüntüdeki kenarları ve ince detayları geliştirir. Embossing, pikselleri highlight veya shadow ile değiştirerek kontrastı ayarlar
Deep learning uses neural networks for classification, regression and representation learning. Deep refers to the number of layers in neural networks (3-several hundred). Deep learning can be supervised, semi-supervised or unsupervised
YOLO11 launched as latest SOTA vision model. Supports object detection, segmentation, and classification. Available in PyTorch, ONNX, CoreML, and TFLite formats
Bu video, görüntü işleme teknolojisini anlatan kapsamlı bir eğitim içeriğidir.. Video, görüntü işleme teknolojisinin temel prensiplerinden başlayarak, resimlerin matris temsil edilmesi, RGB renk modeli ve histogram kavramlarını açıklamaktadır. Ardından teknolojinin günlük hayattaki uygulamalarını (trafik kontrolü, otomatik pilot sistemleri, gıda endüstrisi) ve çeşitli alanlardaki kullanım alanlarını (savunma sanayi, arkeoloji, gazetecilik, tasarım, tıp, astronomi ve jeoloji) detaylı şekilde ele almaktadır.. Video ayrıca görüntü işleme öğrenmek isteyenler için gerekli beceriler, programlama dilleri ve kütüphaneler (özellikle OpenCV) hakkında bilgiler sunmakta, teknolojinin gelecekteki potansiyelini ve Türkiye'nin bu alanda ilerlemesi için gerekli olan eğitim ve yatırım konularına da değinmektedir.
Bu video, sayısal görüntü işleme derslerinin bir bölümü olup, bir eğitmen tarafından aşındırma (erozyon) konusu anlatılmaktadır.. Videoda aşındırma işlemi adım adım gösterilmektedir. Eğitmen, bir yapı üzerinde aşındırma işlemi yaparak, merkezi bir olan yapıyı diğer piksellere yerleştirerek boşlukları sıfırlama yöntemini açıklamaktadır. Örnek soru çözümü üzerinden, aşındırma işleminin nasıl uygulanacağı, köşelerin nasıl aşınacağı ve bu işlemin sonucunda oluşan boşlukların nasıl belirleneceği detaylı olarak anlatılmaktadır.
Bu video, Data Team tarafından sunulan ileri seviye derin öğrenme kursunun tanıtımını içermektedir. Kurs, Bilkent ve ODTÜ gibi üniversitelerden mezun, yapay zeka ve veri bilimi alanlarında uzman kişiler tarafından hazırlanmıştır.. Kurs, Python, Keras ve ileri seviye computer vision konularını kapsamaktadır. İçerikte konvolüsyonel nöral ağlar, derin bölge ağları, transfer öğrenme, otocoders ve generatif adversarial ağlar gibi konular ele alınacaktır. Kurs yaklaşık dokuz saatlik ders videosu içermekte, altı farklı dataset kullanılarak yedi farklı proje ve ödev yapılacaktır. Kurs için gerekli ön koşullar ve alternatif başlangıç kursları da belirtilmektedir.
Current computer vision models struggle with costly datasets and narrow task capabilities. CLIP learns visual concepts from internet text-image pairs. System achieves zero-shot performance without requiring specific training data
Bu video, Bahçeşehir Üniversitesi mezunu ve Google Cloud'da eğitim alanında çalışan Mehmet adlı bir mühendisin yapay zeka ve derin öğrenme öğrenmek isteyenlere yönelik hazırladığı kapsamlı bir eğitim içeriğidir.. Video, yapay zeka öğrenmeye başlarken izlenmesi gereken temel adımları, gerekli becerileri ve kaynakları adım adım anlatmaktadır. İçerikte İngilizce öğrenmenin, Python programlama dilini öğrenmenin, Jupyter Notebook ve Google Colab kullanımını öğrenmenin önemi vurgulanmakta, ayrıca Google Machine Learning Crash Course, Udemy kursları ve çeşitli YouTube kanalları gibi eğitim kaynakları önerilmektedir.. Videoda ayrıca yapay zeka alanının farklı alanları (NLP, computer vision, ses analizi, robotik) ve bu alanlarda kullanılan algoritmalar (CNN, RSTM, Transformers, Bert, GPT) hakkında bilgiler verilmektedir. Konuşmacı, izleyicilere önce küçük projeler yapmalarını, ardından ilgi duydukları alana odaklanmalarını ve bu alana özgü gelişmeleri takip etmelerini tavsiye etmektedir.
Bu video, Maruf Kılıç tarafından Gebze Teknik Üniversitesi Computer Vision dersi için hazırlanan bir ödev sunumudur.. Videoda, kamera kalibrasyonu ve el algılama ile mouse kontrolü yapan bir programın çalıştırılması gösterilmektedir. İlk olarak kamera kalibrasyonu için 10 farklı görüntü alınarak OpenSea stereo calibration fonksiyonu kullanılarak kameranın dışsal parametreleri bulunur. Ardından el algılama ile mouse kontrolü gerçekleştirilir; el hareketleri mouse pozisyonunu, click işlemleri ise belirli noktalara yönlendirir. Program, beş parmak kullanarak click işlemi gerçekleştirmeyi sağlar ve işaret parmağını referans alır.
Bu videoda Uras, arkadaşının Mehmet'in gönderdiği fotoğrafları, bir yazılım aracılığıyla göz hareketlerini takip ederek inceliyor. Mehmet, 10-15 milyon abonesi olan RCL Beauty kanalının sahibi.. Videoda Uras, bilgisayar kamerasının karşısına oturarak, göz hareketlerini takip eden yazılımın gösterdiği ilk bakış noktalarını takip ediyor. Mehmet'in gönderdiği çeşitli fotoğrafları (Rana, Enes, dere, hamburger, dövme, köpek kafası, BMW, Japon manken, bebek, para, Power Rangers, uçan adam gibi) inceliyor ve her fotoğraf için ilk bakış noktalarını paylaşıyor. Video, insanların fotoğraflarda ilk nereye baktıklarını gösteren ilginç bir deney formatında ilerliyor.
Bu video, aktif şekil modeli algoritmasının nasıl eğitildiğini ve test edildiğini gösteren bir eğitim içeriğidir. Video, MATLAB kodları kullanılarak tırnak fotoğraflarının işlenmesi sürecini adım adım göstermektedir.. Video, aktif şekil modeli algoritmasının eğitilmesi için 21 farklı tırnak fotoğrafının nasıl kullanılacağını, ardından 14 farklı test fotoğrafının nasıl işlendiğini göstermektedir. Sistem, tırnakların şeklini belirleyip segmente ederken, arka planda SIFT ve HOG gibi özellik çıkarımı yapmaktadır. Son olarak, elde edilen özellik verilerinin SVM sınıflandırma algoritması ile nasıl sınıflandırıldığı ve başarı sonuçlarının nasıl elde edildiği anlatılmaktadır.
Bu video, Mustafa Dincel tarafından sunulan bir eğitim içeriğidir. Konuşmacı, morfolojik görüntü işleme ve temel metotlarını anlatmaktadır.. Video, morfolojik görüntü işleminin temel kavramlarını ve metotlarını detaylı şekilde açıklamaktadır. Önce aşınma (erosion) ve genişleme (dilation) işlemlerinin nasıl uygulandığı örneklerle gösterilmekte, ardından açma (opening) ve kapama (closing) işlemlerinin adım adım anlatılmaktadır. Her bir işlem için görsel örnekler sunularak, yapıların (kernel) görüntü üzerinde nasıl hareket ettiği ve sonuçların nasıl elde edildiği açıklanmaktadır. Video, sınır çıkarma, delik doldurma, inceltme ve kalınlaştırma gibi diğer morfolojik görüntü işleme metotlarına da değinmektedir.
Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından görüntü işleme konusunda bilgi verilmektedir.. Video, önceki derste homojen filtreler için blur komutu ile yapılan filtreleme işleminin ardından gauss filtresi ile devam etmektedir. Eğitmen önce gauss filtresinin ne olduğunu açıklayıp, ardından bu filtre ile resim üzerinde uygulama yapmaktadır. Daha sonra median filtre ve bilateral filtre hakkında bilgi vererek, bu filtrelerin nasıl çalıştığını ve sonuçlarını göstermektedir. Her filtre için farklı boyutlardaki matrisler kullanılarak, filtrelerin sınır koruma, karabiber-tuz gürültüsü azaltma gibi özellikleri karşılaştırmalı olarak gösterilmektedir.
Bu video, bir eğitim içeriği olup, eğitmen tarafından OpenCV kütüphanesi kullanılarak resim üzerinde çeşitli şekiller ekleme konusunda adım adım anlatım yapılmaktadır.. Video, OpenCV kütüphanesinin temel fonksiyonlarını kullanarak resim üzerinde çizgi, daire, yazı ve dikdörtgen ekleme işlemlerini göstermektedir. Eğitmen önce çizgi çizme fonksiyonunu (cv2.line), ardından daire çizme fonksiyonunu (cv2.circle), yazı ekleme fonksiyonunu (cv2.putText) ve son olarak dikdörtgen çizme fonksiyonunu (cv2.rectangle) kullanarak kod örnekleri sunmaktadır. Her bir fonksiyon için parametre ayarları ve renk değerleri detaylı olarak açıklanmakta, ayrıca RGB değerlerinin nasıl değiştirilebileceği de gösterilmektedir.