otonom araÇ eĞİtİmİ · o git nedir? neden ullanılır? o temel git omutları, repo oluşturma...

OPEN ZEKA

OTONOM ARAÇ EĞİTİMİ

Eğitim Kataloğu

31 Mart 2019’a kadar geçerlidir.

Güncel doküman için sitemizi takip edebilirsiniz.

https://openzeka.com/

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


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


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


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


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.


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.


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


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


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

[email protected]

www.openzeka.com

https://openzeka.com/dli

mailto:[email protected]

http://www.openzeka.com/

otonom araÇ eĞİtİmİ · o git nedir? neden ullanılır? o temel git omutları, repo oluşturma...

Documents