Aperçu
This course features Coursera Coach! A smarter way to learn with interactive, real-time conversations that help you test your knowledge, challenge assumptions, and deepen your understanding as you progress through the course.
In this course, you will explore the fascinating world of computer vision and artificial intelligence through the NVIDIA Jetson platform. By working through various modules, you'll gain a strong understanding of how to set up and optimize Jetson for AI tasks, with hands-on projects and practical applications of Jetson's capabilities.
The course covers everything from basic image processing with OpenCV to advanced AI tools like YOLO, TensorRT, and DeepStream, helping you to develop cutting-edge computer vision applications. You will start by learning the basics of Jetson setup, moving on to installing essential libraries such as OpenCV and PyTorch, and applying them to create powerful image processing workflows.
The course then takes you through object detection, deep learning, and AI optimization using tools like TensorRT, showcasing real-world applications like vehicle tracking and automatic number plate recognition. The final modules focus on integrating multiple cameras with DeepStream, enabling the creation of sophisticated surveillance systems.
This course is ideal for those who wish to dive into the world of AI on edge devices, whether for robotics, surveillance, or other real-time applications. It is suitable for learners with basic programming knowledge and an interest in computer vision and AI development.
By the end of the course, you will be equipped to build and deploy AI-powered computer vision systems using Jetson Nano.
Programme
- Introduction à Jetson et aperçu du cours
Dans ce module, nous présenterons la plateforme NVIDIA Jetson et expliquerons comment configurer votre appareil Jetson. Nous fournirons également un aperçu détaillé du cours, en mettant en évidence les sujets clés et les projets pratiques qui amélioreront votre compréhension de l'IA et de la robotique.
- Comparaison de Jetson et de ses variantes avec RPi + Flash de carte SD
Dans ce module, nous comparerons Jetson avec Raspberry Pi, vous aidant à comprendre pourquoi Jetson est supérieur pour les applications d'IA. Nous vous guiderons également à travers le flashage d'une carte SD et le choix de la carte optimale pour votre appareil, assurant une configuration sans heurts.
- Installation des bibliothèques et configuration de l'ordinateur AI - Expliquer les dépendances et leur utilisation
Dans ce module, nous couvrirons l'installation de bibliothèques essentielles telles qu'OpenCV et PyTorch sur Jetson. Nous explorerons leurs fonctionnalités et vous guiderons dans la mise en place d'un environnement prêt pour l'IA pour un développement de projet efficace.
- Bases de la vision par ordinateur OpenCV sur Jetson + Pytorch
Dans ce module, nous plongerons dans les bases de la vision par ordinateur, en démontrant la manipulation d'images avec OpenCV et PyTorch. Vous apprendrez les techniques de base telles que la détection de contours, le filtrage d'images et les transformations géométriques pour travailler efficacement avec les images.
- Qu'est-ce que la détection d'objets + Détection d'objets Yolo
Dans ce module, nous vous introduirons dans le monde de la détection d'objets et explorerons l'algorithme YOLO, y compris ses variantes et leur adéquation à divers cas d'utilisation.
- Détection d'objets YOLO sur un ensemble de données personnalisé (ensemble de données de plaques d'immatriculation)
Dans ce module, nous vous guiderons à travers le processus d'annotation d'un ensemble de données personnalisé, d'entraînement d'un modèle YOLO et de son application pour la reconnaissance de plaques d'immatriculation. Vous acquerrez une expérience pratique avec les processus d'entraînement et d'inférence.
- Qu'est-ce que TensorRT? Configuration de Jetson pour TensorRT
Dans ce module, nous explorerons TensorRT, un outil essentiel pour l'accélération des modèles de deep learning sur les appareils Jetson. Nous vous guiderons également à travers la configuration de votre Jetson pour TensorRT.
- Optimisation du modèle YOLOX pour la détection d'objets en utilisant TensorRT
Dans ce module, nous nous concentrerons sur l'optimisation du modèle de détection d'objets YOLOX en utilisant TensorRT. Nous vous guiderons à travers le processus de conversion, testerons le modèle optimisé et analyserons les améliorations des performances.
- Qu'est-ce que DeepStream et théorie ?
Dans ce module, nous introduirons DeepStream, en expliquant comment il fonctionne et comment configurer le SDK DeepStream sur votre appareil Jetson. Vous apprendrez également à utiliser DeepStream pour des applications d'IA en temps réel.
- Exécution du SDK DeepStream et configuration de plusieurs caméras
Dans ce module, nous démontrerons comment intégrer plusieurs flux de caméras dans le SDK DeepStream. Vous découvrirez les protocoles de streaming vidéo et comment effectuer la détection d'objets sur plusieurs caméras en temps réel.
- Application 1 : Détection, suivi et comptage de voitures
Dans ce module, nous vous guiderons à travers le processus de mise en œuvre d'un système de détection et de suivi de véhicules. Vous apprendrez à configurer l'application et à évaluer sa performance dans des scénarios réels.
- Reconnaissance automatique de plaques d'immatriculation avec Paddle OCR
Dans ce module, nous couvrirons le processus d'entraînement d'un modèle de détection d'objets personnalisé pour la reconnaissance de plaques d'immatriculation. Vous utiliserez Roboflow, Google Colab et Paddle OCR pour construire et déployer un système ANPR efficace.
- Méthode d'estimation de posture 1 : PoseNet
Dans ce module, nous introduirons l'estimation de posture et démontrerons comment utiliser PoseNet sur Jetson pour une détection précise des postures. Nous explorerons également des techniques pour améliorer PoseNet avec Darknet et Mediapipe.
- Méthode d'estimation de posture 2 : PoseNet
Dans ce module, nous approfondirons PoseNet pour l'estimation de posture. Vous apprendrez le processus de mise en œuvre complet, acquérant une compréhension approfondie de comment appliquer efficacement PoseNet.
- Classification de visage DeepFake
Dans ce module, nous vous présenterons la technologie DeepFake, en discutant de ses préoccupations éthiques et en fournissant des techniques pour détecter le contenu DeepFake à l'aide de méthodes de classification basées sur l'IA.
- Reconnaissance faciale et gestion de la présence : Pointage d'entrée et sortie
Dans ce module, nous expliquerons le rôle de la reconnaissance faciale dans les systèmes de gestion de présence. Vous apprendrez comment mettre en œuvre et affiner un tel système pour un suivi précis de la présence.
Enseigné par
Packt - Course Instructors
Matières
Computer Science
