Inteligência Artificial Aplicada à Visão Computacional
A matrícula nesse curso é apenas por convite
Plano de ensino
Curso: Inteligência Artificial Aplicada à Visão Computacional
Instrutor: Aline Almeida
Objetivo geral:
Proporcionar aos alunos conhecimento sobre os principais tópicos da área de Visão Computacional e praticá-los através de projetos desenvolvidos durante as aulas.
Nível: Avançado
Tipo do Curso: Teórico-prático
Modalidade de Ensino: Prensencial
Público Alvo: Colaboradores da Flextronics e FIT- Instituto de Tecnologia.
Requisitos mínimos: Cursos exigidos como pré-requisitos: Inteligência Artificial Básico e Intermediário
Duração total do curso e distribuição da carga horária: 32 horas totais de atividades pratico-teóricas.
Quantidade de vagas: Até 10 alunos.
Ementa:
1) Numpy
a) Instalação e importação
b) Numpy arrays
c) Inicialização de arrays
d) Atributos e métodos de arrays
e) Seleção e indexação de arrays
2) Imagens
a) Manipulação de imagens com o OpenCV
b) Mapeamento de cores e limiares (thresholding)
c) Detecção de bordas em imagens
3) Imagens hiperespectrais
a) Conceitos teóricos
b) Manipulação de imagens hiperespectrais
4) Projeto prático 1 – Máscaras para reciclagem
a) Geração de máscaras
5)Projeto prático 2 – detecção de objetos:
a) Construindo o conjunto de dados com a câmera
b) Rotulando manualmente as imagens
c) Treinando o modelo YOLO
Instrumentos:
- Powerpoint para apresentação de slides;
- Câmera para visão computacional;
- Computador dedicado para desenvolvimento e treinamento de modelos de Inteligência Artificial;
- Software Anaconda para execução dos ambientres em Python
Metodologia: Ativa, com a aplicação de situações-problema (SP), em que os alunos terão que desenvolver soluções para os problemas propostos, e aplicação de Aprendizagem Baseada em Projetos (ABP), com a aplicação de projetos em aula, para testar as habilidades práticas adquiridas pelos alunos.
Processo Avaliativo: Avaliação sobre os conteúdos teóricos do curso, baseada em exercícios feitos durante as aulas; Avaliação dos experimentos práticos realizados durante as aulas; Autoavaliação do aluno sobre seu aprendizado e Avaliação do curso.
Bibliografia básica:
- Open CV, Documentação: https://github.com/opencv/opencv
- Faiss, Documentação: https://github.com/facebookresearch/faiss
- YOLOv5, Documentação: https://github.com/ultralytics/yolov5