Visão de Computador e Stable Diffusion

Instalar OpenCV e introdução ao NumPy e Matplotlib

• Instalar OpenCV usando pip e validar a instalação
• Introdução ao OpenCV como uma biblioteca para tarefas de visão computacional
• Visão geral do NumPy: criação e manipulação de arrays, operações com arrays e indexação
• Introdução ao Matplotlib para visualização: criação de gráficos, personalização de gráficos e exibição de imagens

Carregar, exibir e modificar imagens

• Ler e exibir imagens usando OpenCV (imread e imshow)
• Compreender a representação de imagens (valores de pixéis, dimensões e canais)
• Conversão de espaços de cores das imagens (BGR, RGB, Grayscale)
• Redimensionamento, rotação e inversão de imagens
• Guardar imagens modificadas (imwrite)

Thresholding e filtragem de imagens

• Compreensão do thresholding de imagens e suas aplicações
• Aplicação de métodos de thresholding global e adaptativo no OpenCV (threshold, adaptiveThreshold)
• Introdução à filtragem de imagens para redução de ruído e realce de características
• Filtros comuns no OpenCV: Gaussian, median e bilateral
• Técnicas de detecção de bordas: Sobel, Scharr e Canny

Captura e processamento de vídeo

• Captura de vídeo de uma câmera ou arquivo usando OpenCV (VideoCapture)
• Exibição de frames de vídeo em tempo real (imshow)
• Compreensão das propriedades do vídeo (largura do frame, altura e taxa de frames)
• Processamento de frames de vídeo (transformações de imagem, conversões de espaço de cores)
• Salvamento de vídeo processado (VideoWriter)

Implementação de uma técnica simples de deteção de objetos

• Visão geral das técnicas básicas de deteção de objetos (por exemplo, baseada em cores, template matching, Haar)
• Selecionar e implementar uma técnica simples de deteção de objetos usando OpenCV
• Integrar a deteção de objetos no pipeline de processamento de vídeo
• Desenhar caixas delimitadoras e rótulos nos objetos detetados

Técnicas de deteção de objetos baseadas em Deep Learning

• Visão geral das técnicas de deteção de objetos baseadas em Deep Learning
• Arquiteturas populares de deteção de objetos (R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD)
• Comparação de desempenho e precisão das arquiteturas de deteção de objetos
• Implementação de um modelo de deteção de objetos pré-treinado com frameworks populares de Deep Learning (TensorFlow, PyTorch)

Rastreamento de objetos em tempo real

• Visão geral das técnicas de rastreamento de objetos
• Diferença entre detecção e rastreamento de objetos
• Algoritmos de rastreamento de objetos baseados em Deep Learning
• Implementação de rastreamento de objetos em tempo real com OpenCV e Deep Learning

Compreensão do YOLO para deteção de objetos em tempo real e suas variantes

• História e motivação por de trás do YOLO
• Arquitetura e componentes do YOLO
• Como o YOLO realiza a deteção de objetos
• Diferenças entre o YOLO e outros métodos de deteção de objetos (por exemplo, Faster R-CNN, SSD)
• YOLOv1, YOLOv2 (YOLO9000) e YOLOv3
• YOLOv4, YOLOv5,… YOLOV8 and YOLO NAS: arquitetura, características e melhorias de desempenho

Deteção de objetos com YOLO

• Configuração do ambiente e dependências
• Utilização de modelos YOLO pré-treinados
• Personalização do YOLO para casos de uso específicos
• Treino de modelos
• Deteção de objetos em imagens
• Deteção de objetos em tempo real em fluxos de vídeo
• Avaliação e ajuste fino do desempenho do YOLO

Introdução a Stable Diffusion

• O que é Stable Diffusion?
• Como funciona?
• Diferentes tipos de Stable Diffusion
• As aplicações de Stable Diffusion

Gerar e manipular imagens com Stable Diffusion e Python Scripts

• Geração de imagens
• Reconstrução de imagens
• Separação de componentes
• Denoising