Wat houdt de training in?
In deze praktijkgerichte cursus maak je kennis met de kernconcepten van objectdetectie, zoals bounding boxes, Intersection over Union (IoU) en mean Average Precision (mAP). Je leert hoe YOLO werkt, hoe je pre-trained modellen inzet en hoe je eigen modellen traint met geannoteerde datasets. Daarnaast ga je hands-on aan de slag met OpenCV voor beeldbewerking en real-time detectie. Aan het einde van de dag heb je een volledig getraind AI-model dat je kunt toepassen op je eigen data en projecten gebouwd met Python.
Wat je leert
- Basisprincipes van objectdetectie en het verschil met classificatie en segmentatie.
- Werken met YOLO en OpenCV.
- Annoteren van afbeeldingen en het opzetten van datasets.
- Trainen van eigen YOLO-modellen met Ultralytics en Roboflow.
- Evalueren van modelprestaties met IoU en mAP.
Voorkennis
- Basiskennis van Python is gewenst.
- Enige ervaring met machine learning of AI-tools is een plus, maar niet verplicht.
Inhoud (globaal programma)
Deel 1 – Introductie tot computer vision en objectdetectie
- Verschil tussen classificatie, detectie en segmentatie.
Deel 2 – Kernconcepten
- Bounding boxes, IoU en mAP.
- Evaluatie van objectdetectiemodellen.
Deel 3 – Werken met YOLO en Ultralytics
- Gebruik van pre-trained modellen en modelconfiguraties.
Deel 4 – Datasets en annotaties
- Afbeeldingen annoteren, datasets opzetten en Roboflow gebruiken.
Deel 5 – Eigen YOLO-model trainen
- Training, valideren en optimaliseren van modelprestaties.
Deel 6 – OpenCV en real-time detectie
- Beeldbewerking, video-input en live objectdetectie.
Deel 7 – Toepassen op eigen data
- Integratie in projecten, use cases en Q&A.
Voor wie?
- Data scientists en AI-engineers.
- Developers die praktisch aan de slag willen met computer vision en objectdetectie.
- Python-developers met interesse in AI en beeldherkenning.
