Курс Computer Vision

Програма проведе від зображення як числового масиву до запуску власного детектора. Без ML-освіти і без вищої математики. Ми поєднали практику й теорію так, щоб ти відразу бачив результат своєї роботи. Кожне заняття будується на попередньому й закінчується робочим кодом у ноутбуку - крок за кроком до capstone-проєкту й портфоліо.

Програма курсу

Вступна зустріч. Знайомство з викладачем

Теорія

• Знайомство з викладачем та учасниками
• Огляд програми: що на вас чекає за 12 занять
• Формат роботи, треки general / dual-use, очікування

Практика

• Налаштування Google Colab і перевірка середовища
• Доступ до LMS і матеріалів. Q&A перед стартом

Заняття 1. Що бачить компʼютер: зображення та фільтрація

Теорія

• Зображення як числовий масив, колірні простори, гістограми
• Згортка та фільтри (blur, sharpen)
• Порогова обробка: binary, adaptive, Otsu
• Embedded-контекст: зображення = буфер у памʼяті

Практика

Colab-середовище, робота з пікселями та каналами, ручна згортка без OpenCV, фільтри, threshold на "брудному" зображенні.

Заняття 2. Краї, морфологія, контури + міні-проєкт

Теорія

• Градієнти (Собель), Canny, морфологічні операції, контури та bounding boxes
• Межі класичного CV - чому далі потрібні нейромережі

Практика

• Пайплайн передобробка → контури → підрахунок
• Міні-проєкт: підрахунок обʼєктів на фото

Заняття 3. Нейромережі: як мережа вчиться бачити

Теорія

• Нейрон, loss, градієнтний спуск без математики
• CNN: convolution → activation → pooling → head
• Тренувальний цикл

Практика

Один нейрон у PyTorch, проста CNN, візуалізація навчених фільтрів і порівняння з ручними ядрами із Заняття 1.

Заняття 4. Transfer learning на практиці

Теорія

• Pretrained-моделі, freeze/unfreeze, overfitting та аугментація
• Перший dual-use момент: domain gap на aerial-фото

Практика

ResNet18 на Colab GPU, криві train/val, confusion matrix, тест на aerial view, класифікація власних фото.

Заняття 5. Детекція обʼєктів з YOLO

Теорія

• "Що на фото?" vs "що і де?". Сітка, confidence, IoU
• Розміри моделей і компроміси

Практика

YOLO26 одним рядком, YOLO-World за текстовим запитом, порівняння nano/small/medium, детекція на відео.

Заняття 6. Архітектури детекторів: YOLO зсередини та альтернативи

Теорія

• backbone → neck → head, anchor-free, NMS-free
• Еволюція YOLO, DETR / RT-DETR
• Малі обʼєкти: tiling, SAHI

Практика

model.info(), YOLOv8 vs YOLO26, RT-DETR, зведена таблиця mAP × latency, чекліст вибору моделі під задачу.

Заняття 7. Дані для CV: збір і розмітка ← точка вибору треку

Теорія

• Data-centric AI, дисбаланс і шум у датасетах
• Roboflow vs CVAT, формати YOLO / COCO / Pascal VOC
• Точка вибору треку: general або dual-use

Практика

Аналіз "поганого" датасету, розмітка в Roboflow, збір власного датасету під свою задачу.

Заняття 8. Fine-tuning YOLO на власних даних

Теорія

• Fine-tuning, гіперпараметри, метрики: mAP, precision, recall, F1
• Ітеративний підхід

Практика

Тренування YOLO26 на власному датасеті, pretrained vs fine-tuned, аналіз помилок, план наступної ітерації.

Заняття 9. Сегментація та трекінг

Теорія

• Семантична vs інстанційна сегментація
• SAM: foundation model, prompt-режими
• Трекінг: ByteTrack vs BoT-SORT

Практика

YOLO26-seg, маска як булевий масив, гібрид YOLO → SAM, model.track() на відео, підрахунок перетинів лінії.

Заняття 10. CV in Production I: моніторинг та ітерації

Теорія

Data drift і domain shift, data flywheel, active learning, версіонування датасету і моделі.

Практика

Симуляція drift на власній моделі, автовідбір "підозрілих" кадрів, дорозмітка та друга ітерація тренування.

Заняття 11. CV in Production II: Edge AI

Теорія

Latency vs throughput, ONNX як міст між ML і embedded, квантизація FP32 → FP16 → INT8, огляд заліза: Jetson, Raspberry Pi, NPU.

Практика

Бенчмарк моделі, експорт .pt → ONNX, інференс через onnxruntime, таблиця формат × розмір × latency × mAP.

Заняття 12. Фінал: кейси, наскрізний пайплайн, дорожня карта

Теорія

• Повний CV-пайплайн: збір → розмітка → тренування → валідація → деплой → моніторинг
• Кейси: Looksery/Snapchat, Reface, Ajax Systems, miltech, Petcube

Практика

Мапінг власного проєкту на пайплайн, групова вправа за чеклістом, оголошення capstone, зведений ноутбук.

Ретро-зустріч

Теорія

• Ретроспектива програми: що спрацювало, що було складним
• Розбір capstone-проєктів учасників

Практика

Презентація результатів, зворотний звʼязок від викладача та групи.

Особливості курсу

• Допомога ментора
• Практика
• Живі заняття з викладачем
• Технічна чпільнота на заняттях
• Актуальна програма
• Кейс в портфоліо
• Сертифікат про проходження курсу

Викладачі курсу

Денис Плугатар - Co-founder uScore, AI Lead у Beetroot, Ветеран