OPEN ZEKA
OTONOM ARAÇ EĞİTİMİ
Eğitim Kataloğu
31 Mart 2019’a kadar geçerlidir.
Güncel doküman için sitemizi takip edebilirsiniz.
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 1
İçindekiler
1. GÜN – MARC PLATFORMUNA GİRİŞ ................................................................................................ 2
2. GÜN – ROS, Git ve KONTROL TEORİSİ .............................................................................................. 3
3. GÜN – OPENCV ...................................................................................................................................... 4
4. GÜN – DERİN ÖĞRENMENİN TEMELLERİ ....................................................................................... 5
5. GÜN – DERİN ÖĞRENME UYGULAMA EĞİTİMİ (SINIFLANDIRICI) ............................................ 6
6. GÜN – DERİN ÖĞRENME UYGULAMA EĞİTİMİ (NESNE TESPİTİ) ............................................. 7
7. GÜN – DERİN ÖĞRENME UYGULAMA EĞİTİMİ , HARİTALAMA ve LOKALİZASYON .............. 8
İLETİŞİM .......................................................................................................................................................... 9
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 2
1. GÜN – MARC PLATFORMUNA GİRİŞ
Araçlar: Mini Otonom Araç Kiti Süre: 8 saat
Gereksinimler: Mini Otonom Araç Kiti Eğitim Şekli: Uygulamalı
Dil: Türkçe
Mini otonom araç kitini keşfedin. Sensörleri tanıyın ve sensörlerden nasıl veri alınacağını görün.
Tüm parçaların nasıl birleştirileceğini öğrenin.
İçerik
Aracın yazılım ve donanım özelliklerin tanıtılması, aracın kabiliyetleri hakkında detaylı bilgi Jetson platformunun tanıtılması, neler yapılabileceği ve hangi sektörlerde ne gibi
amaçlarda kullanılabileceği hakkında bilgi Aracın donanım parçalarının birleştirilmesi Tüm takımların parçalar birleştirildikten sonra araçlarının sorunsuz hareket edebilmesi
için gerekli eğitim
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 3
2. GÜN – ROS, Git ve KONTROL TEORİSİ
Araçlar: Python, ROS Süre: 8 saat
Gereksinimler: Python, Calculus, Lineer Cebir,
Diferansiyel denklemler Eğitim Şekli: Uygulamalı
Dil: Türkçe
ROS uygulaması geliştirmek için bilmeniz gereken şeyleri öğrenin. Robotik alanında proje
geliştirmek için olmazsa olmaz kontrol teorisi hakkında bilgi sahibi olun ve Python dili ile teorik
bilginizi pratiğe dönüştürün. Github’ı kullanmak için gerekli komutları öğrenin ve uygulayın.
İçerik
ROS (Robot Operation System)’a giriş o Linux komutları hakkında bilgi, ROS’a giriş o ROS Node’ları hakkında bilgi, çalışma mantığı, neden projelerimizde ROS
kullanmalıyız? o Catkin Workspace oluşturma, örnek workspaceleri çalıştırma o Listener ve Publisher mantığı, ROS içerisinde Python ve C++ dilleri ile basit bir
listener-publisher uygulamasının yazılması ve bu dillerdeki söz dizimi farklılıkları Git Kullanımı
o Git nedir? Neden kullanılır? o Temel git komutları, repo oluşturma ve projeyi bu repoya yükleme o Var olan projede güncelleme yapma, değişiklikleri geri alma
Kontrol Sistemi Teorisi ve Uygulamaları o Kontrol teorisi nedir? Ne için kullanılır? Matematiksel yaklaşım ile anlatılması o ROS ve Lidar verisi kullanılarak aracın duvara sabit mesafede hareket etmesini
sağlayan Bang Bang algoritması geliştirmek o Python ile PID algoritması geliştirmek ve aracın duvara sabit mesafede bu algoritma
ile gitmesini sağlamak o Model Predictive Control hakkında teorik bilgi, örnekler ve matematiksel yaklaşım
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 4
3. GÜN – OPENCV
Araçlar: OpenCV Süre: 8 saat
Gereksinimler: Python Eğitim Şekli: Uygulamalı
Dil: Türkçe
OpenCV’yi projelerinizde nasıl kullanabileceğiniz öğrenin. Görüntü işleme algoritmalarını
matematiksel olarak görün. Eğitim esnasında OpenCV kullanarak iki adet uygulama geliştirin.
İçerik
OpenCV nedir? Hangi amaçlar için kullanılabilir? Ubuntu işletim sistemine nasıl kurulur? Kurulumda nelere dikkat etmeliyiz?
Renk uzayları hakkında bilgi, OpenCV ile renk uzayları ayrıştırma, OpenCV filtreleri, renkleri ayrıştırma algoritmaları Python dili ile ROS ve OpenCV kullanarak belirli bir rengi takip eden algoritmanın
geliştirilmesi ve araç üzerinde uygulanması, Python dili ile ROS ve OpenCV kullanılarak şerit takibi algoritması, PID algoritmasının şerit
takibi algoritmasıyla birleştirilmesi ve araç üzerinde uygulanması, ZED kamera ve ROS ile derinlik haritası elde etme ve uygulama geliştirme.
Şekil 1. Şerit takibi uygulaması
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 5
4. GÜN – DERİN ÖĞRENMENİN TEMELLERİ
Araçlar: DIGITS Süre: 8 saat
Gereksinimler: Lineer Cebir, Diferansiyel
denklemler Eğitim Şekli: Uygulamalı
Dil: Türkçe
Yapay sinir ağlarının nasıl çalıştıkları, ağın hatasının nasıl en aza indirilebileceği ve ağın nasıl
optimize edilebileceği hakkında detaylı bilgiye sahip olun. Mevcut ağları kullanarak amaca yönelik
derin öğrenme algoritması geliştirin.
İçerik Derin öğrenme nedir? Hangi amaçla ve hangi sektörlerde kullanılabilir? Yapay Sinir Ağları nedir? Nasıl çalışır? Matematiksel yaklaşım ile detaylı incelenmesi Evrişimli Sinir Ağları nedir? Nasıl çalışır? Matematiksel yaklaşım ile detaylı incelenmesi Geri yönde yayılım (backpropogation) işleminin detaylı incelenmesi Bilgisayarın daha önce hiç görmediği görüntüleri doğru şekilde sınıflandırmak için derin bir
sinir ağını eğitme. Derin sinir ağlarını uygulamalarda çalıştırma. Derin öğrenme uygulamalarının performansını geliştirmek için teknikler tanımlama. Derin öğrenme için aday olan problem türlerini değerlendirme. Davranışlarını değiştirmek için sinir ağlarını modifiye etme.
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 6
5. GÜN – DERİN ÖĞRENME UYGULAMA EĞİTİMİ
(SINIFLANDIRICI)
Araçlar: DIGITS, Tensorflow, Keras, C++ Süre: 8 saat
Gereksinimler: Derin öğrenme hakkında temel
teknik bilgi Eğitim Şekli: Uygulamalı
Dil: Türkçe
Herhangi bir veri setinin sınıflandırma veya nesne tespit etme algoritmalarına yönelik
etiketlemeyi, modeli düzenlemeyi ve modelin başarımını arttırmak için gerekli optimizasyonu
yapmayı öğrenin. Veri etiketleme aşamasından çıkarım aşamasına kadar bir nesne tespit modelini
uygulamalı olarak geliştirin. Keras derin öğrenme kütüphanesini kullanarak “classification” ve
“object detection” uygulama geliştirmeyi öğrenin.
İçerik Derin Öğrenme Uygulama Eğitimi (Sınıflandırıcı)
o Sınıflandırıcı model için kullanılan veri setlerinin incelenmesi o Görüntü işleme yöntemleriyle veri seti üzerinde görüntü manipülasyonu o Sınıflandırıcı model başarım artırma teknikleri o Keras ile sıfırdan bir sınıflandırıcı model oluşturma o Keras kullanarak az miktarda veriyle yüksek başarımlı sınıflandırıcı model
eğitilmesi o Farklı veri çeşitlendirme yöntemlerinin model başarımına etkileri o Model başarımını artırmak için izlenebilecek adımlar
Derin Öğrenme Uygulama Eğitimi (Nesne Tespiti)
o Kamera ile verinin doğru bir şekilde toplanması ve toplanan verinin analiz edilmesi. o Keras’ta yapılacak eğitimler için gerekli olan etiket formatlarının öğrenilmesi. o Farklı formatlarda etiketleme yapan veri etiketleme araçlarının kullanımı. o Verilerin, Keras ile Özelleştirilmiş Eğitim İşlemi’ne uygun formatta etiketlenmesi. o Model başarımlarının artırılmasına teorik yaklaşım. o Görüntü işleme ile veri miktarının artırılması. o Keras’ta eğitim için etiketlenen verilerin, yardımcı bir araçla etiket doğruluk
kontrolünün yapılması. o Keras ile performans/başarım tercihine bağlı olarak RetinaNet, ResNet-50, ResNet-
101, ResNet152; MobileNet-128, MobileNet-160, MobileNet-192 veya MobileNet-224 modelinin eğitilmesi.
o Keras ile eğitilen modeller kullanılarak bilgisayar ve Jetson TX2’de gerçek zamanlı görüntü analizi.
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 7
6. GÜN – DERİN ÖĞRENME UYGULAMA EĞİTİMİ
(NESNE TESPİTİ)
Araçlar: DIGITS, Tensorflow, Keras, C++ Süre: 8 saat
Gereksinimler: Derin Öğrenme Uygulama Eğitimi
(Nesne Tanıma) Eğitim Şekli: Uygulamalı
Dil: Türkçe
Bir önceki gün eğitmiş olduğunuz modelleri Jetson platformu üzerinde çalıştırmayı ve anında
çıkarım yapmayı öğrenin. Eğittiğiniz modelleri Jetson platformunda ROS çalışma alanı içerisinde
çalıştırın. Veri etiketleme aşamasından çıkarım aşamasına kadar “semantic segmentasyon”
modeli geliştirmek için her bir aşamayı uygulayarak öğrenin.
İçerik
Jetson TX2 ile nesne tespit modeli demolarının çalıştırılması. NVIDIA DIGITS sisteminin detaylı tanıtımı ve sistem işlevlerinin öğrenilmesi. Keras Özelleştirilmiş Eğitim etiket formatının NVIDIA DIGITS etiket formatına
dönüştürülmesi. DetectNet modelininin probleme özel olarak yeniden düzenlenmesi. NVIDIA DIGITS kullanılarak DetectNet modelinin eğitilmesi. DetectNet modelinin performansını artırmak için gerekli TensorRT düzenlemelerinin model
yapısı üzerinde uygulanması. Eğitim süresince üretilen en iyi modelin Jetson TX2’ye entegre edilmesi ve Jetson TX2’de
gerçek zamanlı görüntüyle test edilmesi. Semantic segmentation nedir? Hangi alanlarda ne gibi amaçlarda kullanılır? Arka planda
gerçekleşen işlemler nelerdir? Mevcut veri setleri hakkında bilgi, semantic segmentation için sinir ağı örnekleri Ham verinin, semantic segmentation yöntemine uygun bir şekilde etiketlenmesi Tensorflow ile sıfırdan segmentasyon modeli geliştirme Cityscapes veri setini ve UNet mimarisini kullanarak eğitim başlatma, eğitilmiş ağdan çıktı
elde etme Instance-level Segmentation hakkında teorik bilgi, eğitim prosedürleri ve ağ yapısı
örnekleri Farklı modellerin gerçek zamanlı kamera görüntüsü üzerinde performans ve başarım
karşılaştırmalarının yapılması Optimizasyon teknikleri
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 8
7. GÜN – DERİN ÖĞRENME UYGULAMA EĞİTİMİ ,
HARİTALAMA ve LOKALİZASYON
Araçlar: OpenCV, Python, Keras, C++ Süre: 8 saat
Gereksinimler: Mini Otonom Araç Kiti, Veri Yapıları
hakkında temel bilgi Eğitim Şekli: Uygulamalı
Dil: Türkçe
NVIDIA’nın geliştirmiş olduğu Behavioral algoritmasını düzenleyerek araç üzerinde uygulayın.
Kendi odometry algoritmalarınızı geliştirin ve otonom bir aracın konumunu tespit etmek için
gerekli yöntem ve metotları uygulamayı öğrenin.
İçerik
Derin Öğrenme Uygulama Eğitimi (NVIDIA End-to-End modeli) o ZED kamerasından elde edilen derinlik haritası dahil veri toplama ve kaydetme
yöntemleri o Toplanılan verinin eğitime hazır hale getirilmesi için ön işlemden geçirme aşamaları o Toplanılan veri ile NVIDIA End-to-End modeli kullanarak eğitme, bu modeli
düzenleme ve eğitip farklı modellerin araç üzerinde nasıl çalıştıklarını test edebilme, farklı parametrelerin performansa etkisini doğrudan gözlemleyebilme
Localization and Mapping o Visual Odometry algoritmasının incelenmesi o ZED kameranın visual odometry algoritmasını kullanarak konum verisi elde etme o Haritalama yapma ve bu haritayı daha sonra kullanmak için kaydetme o Graph veri yapısı ile genel bilgi, pythonda bu veri yapısına uygun algoritma
geliştirme o En kısa yol bulma algoritmalarının anlatılması, harita üzerinde verilen noktaya en
kısa yolun çıkartılarak aracın bu rotayı takip etmesinin sağlanması o Haritası olmayan bir ortamda aracın istenilen koordinata kurallara uyarak
gidebilmesini sağlayan algoritmanın geliştirilmesi o Behavioral Navigation algoritmasının incelenmesi
OPEN ZEKA OTONOM ARAÇ EĞİTİMİ | 9
İLETİŞİM
Eğitime katılan tüm katılımcılar ile örnek kodlar paylaşılacaktır.
openzeka.com/dli
Open Zeka Bilgi Teknolojileri Ticaret Limited Şirketi Bilkent Cyberpark
Üniversiteler Mah., 1605. Cad. No:3/1-Z04 06800 Çankaya/Ankara
Tel: 03122662055
www.openzeka.com