O que você aprenderá
- Aprenda detectar faces utilizando as técnicas de haarcascade, HOG e redes neurais convolucionais (CNN)
- Aprenda a utilizar o detector de pontos faciais do Dlib (detector com 68 e 5 pontos)
- Aprenda reconhecimento facial utilizando os recursos do Dlib
- Crie seu próprio detector de objetos e preditor de forma utilizando a ferramenta imglab do Dlib
- Aprenda a detectar objetos personalizados usando imagens e pela webcam
Requisitos
- É recomendado conhecimento básico sobre lógica de programaçãoConhecimentos básicos sobre Python são desejáveis
- Conhecimentos sobre detecção de faces e reconhecimento facial com o OpenCV são desejáveis
- Conhecimentos básicos sobre aprendizagem de máquina são desejáveis, bem como os algoritmos: SVM, KNN e redes neurais
Descrição
Dentro da área da Visão Computacional existem três subáreas que se destacam e são muito utilizadas em aplicações comerciais: a detecção de faces, o reconhecimento facial e a detecção de objetos. A primeira está relacionada a encontrar faces em imagens e exemplos desta técnica podem ser encontrados nas câmeras digitais que inserem um retângulo em volta da face para enquadrar a pessoa. Já o reconhecimento facial tem o objetivo de identificar quais são as pessoas que estão em uma foto, tendo como exemplo os sistemas de segurança que identificam se uma determinada pessoa está ou não presente em um ambiente. Por fim, a detecção de objetos visa encontrar objetos personalizados em imagens e atualmente essa técnica é muito utilizada em carros autônomos, os quais precisam identificar pedestres e outros veículos para evitar colisões, bem como reconhecer placas de trânsito para seguir uma direção segura.
Com base nisso, neste curso você vai aprender passo a passo a implementar essas três técnicas! Utilizaremos a linguagem Python e a biblioteca Dlib, que atualmente é umas das mais eficientes para visão computacional e resolução de problemas de aprendizagem de máquina. Essa biblioteca implementa internamente vários algoritmos para essas tarefas, bem como SVM (máquinas de vetores de suporte), HOG (histograma de gradientes orientados), KNN (vizinhos mais próximos) e redes neurais convolucionais (CNN). Inclusive quando trabalhamos com o Dlib, indiretamente estamos utilizando recursos de Deep Learning, que são as técnicas mais relevantes hoje em dia no cenário da Inteligência Artificial! E o melhor de tudo é que esses algoritmos complexos já estão embutidos na própria biblioteca, portanto, com algumas poucas linhas de código é possível criar nosso próprio sistema de reconhecimento facial ou detector de objetos personalizado! Além disso, também faremos alguns comparativos das técnicas de detecção de faces do Dlib com o OpenCV, para que você entenda melhor as diferenças entre essas duas importantes bibliotecas para processamento digital de imagens e visão computacional!
O objetivo principal deste curso é que você tenha uma visão prática de como utilizar o Dlib, portanto, nós mostraremos somente uma intuição básica sobre o funcionamento dos algoritmos. Outro detalhe é que recomenda-se que você já tenha um conhecimento prévio sobre detecção de faces e reconhecimento facial utilizando o OpenCV, pois assim o conteúdo fluirá melhor! Caso este seja seu primeiro curso na área de visão computacional, sugerimos que você faça primeiramente os cursos “Detecção de Faces com Python e OpenCV” e “Reconhecimento Facial com Python e OpenCV”. Porém, dependendo do seu nível de conhecimento nessa área, é também possível acompanhar o conteúdo sem ter concluído os cursos acima. Devido a esse “pré-requisito”, este curso é categorizado como o nível intermediário
Para quem é este curso
- Pessoas interessadas em Inteligência Artificial
- Pessoas interessadas na área de visão computacional utilizando Python e Dlib
- Pessoas interessadas em reconhecimento facial
- Pessoas interessadas em detecção de objetos personalizados
boa!