"""

Visão Computacional e Aprendizado Profundo para Projetos de IoT

Visão Geral do Curso

A Inteligência Artificial (IA) e seus subcampos, como Aprendizado de Máquina e Aprendizado Profundo, têm se tornado cada vez mais populares. Mas onde você pode aplicar essas habilidades? Neste curso, aprenderemos sobre projetos práticos de Visão Computacional para Internet das Coisas (IoT) que são úteis no dia a dia.

Detalhes do Curso

Neste curso, exploraremos como utilizar dispositivos de IoT e Aprendizado Profundo no campo da Visão Computacional. Aprendizado de Máquina e Aprendizado Profundo não são mais apenas conceitos teóricos - são habilidades práticas que podem ser aplicadas em cenários do mundo real. A Visão Computacional, um tópico em alta no campo da IA, encontrou sua aplicação em projetos de IoT usando o Raspberry Pi. Ao fazer este curso, você aprimorará sua capacidade de aplicar essas tecnologias de forma eficaz.

Destaque do Curso

Para garantir que você adquira habilidades práticas, preparamos projetos que utilizam dispositivos de IoT no campo da Visão Computacional. Você aprenderá passo a passo por meio de tarefas interessantes, como contar o número de pessoas que entram em uma sala, rastrear números e velocidades de veículos, identificar idade e gênero a partir de rostos e reconhecer recibos e cartões de visita. Esses projetos o prepararão para oportunidades futuras no campo da Visão Computacional e Aprendizado Profundo.

Introdução ao Projeto

Um dos projetos deste curso envolve o reconhecimento de texto manuscrito usando Visão Computacional e Aprendizado Profundo. Ao transferir o projeto para um dispositivo IoT Raspberry Pi, você ganhará experiência prática com várias tecnologias de IoT. Por exemplo, você aprenderá a contar o número de veículos estacionados usando uma câmera em um estacionamento e enviar atualizações em tempo real para um servidor na nuvem. Você também explorará a tecnologia mais recente de reconhecimento de texto para identificar caracteres e números em placas de carro. Além disso, você criará um sistema que detecta sonolência usando imagens de câmera em tempo real e alerta o usuário com um som. Ao instalar uma câmera de vigilância Raspberry Pi, você pode reconhecer rostos de usuários registrados e monitorar suas atividades de acesso por meio de um servidor, Dropbox ou e-mail. Além disso, você implementará um recurso que reconhece números manuscritos usando técnicas de aprendizado profundo com a ajuda de um Raspberry Pi, uma webcam e o OpenCV. Com o aprendizado profundo, você também pode identificar vários objetos em imagens (reconhecimento de objetos). Modelos como o YOLO podem contar o número de veículos estacionados em uma imagem e armazenar os resultados em um servidor na nuvem em tempo real. A tecnologia mais recente de Visão Computacional pode reconhecer caracteres e números em imagens e vídeos (reconhecimento de texto). Você pode até criar um projeto interessante que reconheça placas de carro usando uma câmera. Por fim, você pode identificar rostos e olhos em imagens e vídeos (detecção de rosto e olhos) e verificar suas ações usando aprendizado profundo. Ao monitorar vídeos em tempo real, você pode detectar sonolência e acordar a pessoa com um alarme. Você também pode criar um sistema de monitoramento de acesso que o alerta quando usuários registrados entram e emite um alarme quando indivíduos não autorizados são detectados.

Aulas Especiais

1. Oferecemos uma aula especial sobre "Melhorando a Precisão do Modelo para Mais de 99%". Essa aula foi inspirada por uma pergunta de alunos do curso "[Raspberry Pi] Projeto Prático de Visão Computacional com Aprendizado Profundo para IoT", que perguntaram por que o modelo de dígitos manuscritos MNIST não conseguia identificar corretamente o número 7. Embora existam vários fatores que afetam a precisão do modelo, como tratamento de exceções de programa e dados brutos do MNIST, criamos conteúdo que reconfigura o modelo de Rede Neural para alcançar uma precisão de 99,38%. 2. Também fornecemos uma aula especial sobre como criar o modelo desejado usando TensorFlow Keras. Essa aula aborda o uso das imagens usadas para treinamento do YOLO para criar um modelo usando o Keras e identificar objetos. Você aprenderá sobre YOLO e Keras e terá a oportunidade de compará-los.

Ferramentas Utilizadas

Este curso é baseado em bibliotecas populares de software de Visão Computacional, como OpenCV, Python e TensorFlow. Além disso, utilizamos o Raspberry Pi, um dispositivo IoT líder. Ao longo do curso, guiaremos você na instalação de várias ferramentas de software úteis.

Pré-requisitos

Para participar plenamente deste curso, você precisará de uma placa Raspberry Pi (preferencialmente B+) e uma PiCamera. Também oferecemos aulas adicionais sobre várias técnicas de processamento de imagem e vídeo e módulos para ajudá-lo a criar projetos interessantes e práticos. Fornecemos aulas especiais sobre tópicos relacionados ao Raspberry Pi e Firebase em formato de workshop.

Perguntas Frequentes

P: O que torna este curso único? R: Projetamos este curso para focar na aplicação prática de Aprendizado Profundo e Aprendizado de Máquina. Além das explicações teóricas, você aprenderá por meio de projetos práticos. Ao usar o Raspberry Pi em projetos do mundo real, nosso objetivo é ajudá-lo a aplicar suas habilidades de forma eficaz. P: Pessoas não técnicas podem fazer este curso? R: Aprendizado Profundo e Ciência de Dados não se limitam a pessoas com formação em ciência da computação. Contanto que você tenha paixão por aprender, pode adquirir e utilizar essas habilidades de forma eficaz. """