در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در این دوره کدنویسی دید کامپیوتری یا همان Computer Vision را یاد می گیرید. این کار بوسیله رزبری پای و OpenCV انجام می شود و برای ساخت اتومبیل های خودران استفاده می شود.
عنوان اصلی : Autonomous Car:Deep Learning & Computer Vision for Beginners
مقدمه ای بر طراحی سخت افزار مینی تسلا:
نحوه دریافت منابع برای این دوره
راه اندازی Raspberry PI
روشن کردن Raspberry PI Wireless Access از طریق VNC
نصب VNC روی گوشی اندرویدی
برنامه نویسی سخت افزار در Raspberry PI
راهنمای طراحی و خرید قطعات خودرو
آماده کردن مسیر برای Mini Tesla
نمودارهای مدار برای اتصال
موتور ما چگونه کار می کند
برنامه نویسی کنترل موتور
رابط دوربین با RPI
اسلایدها را دریافت کنید
معرفی نرم افزار:
خوش آمدی
*الزامی* چگونه می توان منابع این دوره را دریافت کرد؟
بررسی اجمالی الگوریتم ها
Self Drive چیست؟
امتحان (سخنرانی 20)
مطالعه موردی (تسلا)
امتحان (سخنرانی 21)
تجزیه فرآیند:
تشخیص
کنترل
آزمون (تجزیه و تحلیل فرآیند)
تشخیص:
بخش معرفی
مسابقه (معرفی لین)
خط: تقسیم بندی (لبه) - نظریه
Lane: Segmentation (Edge) - Codeflow
Lane : Segmentation (Edge) - Analysis
خط: تقسیم بندی (رنگی) - تئوری
Lane : Segmentation (Color) - Codeflow
خط: تقسیم بندی (رنگی) - تجزیه و تحلیل
خط: تقسیم بندی [تحلیل مقایسه ای]
آزمون (بخش بندی)
خط: تخمین [چرا تخمین؟]
خط: تخمین (خطوط هاف) - تئوری
Lane: تخمین (Hough Lines) - Codeflow
خط: برآورد (Hough Lines) - تجزیه و تحلیل
خط: تخمین (سفارشی) - تئوری
Lane: تخمین (سفارشی) - Codeflow
خط: تخمین (سفارشی) - تجزیه و تحلیل
خط: برآورد [تحلیل مقایسه ای]
خط: تخمین [راه اندازی کد (انتخابی)]
آزمون (تخمین)
Lane: Cleaning (مرحله 1) - تئوری
Lane: Cleaning (مرحله 1) - Codeflow
Lane: Cleaning (مرحله 2) - تئوری
Lane: Cleaning (مرحله 2) - Codeflow
Lane: Cleaning [Code Setup]
Lane: Cleaning [تجزیه و تحلیل]
آزمون (تمیز کردن)
(پاداش) Lane: Optimizations101 [چرا پروفایل کردن؟]
(پاداش) Lane: Optimizations101 [Profilers in Python]
(پاداش) Lane: Optimizations101 [Threading]
امتحان (بهینه سازی 101)
خط: استخراج داده ها - نظریه
خط: استخراج داده - تکمیل کد
مسابقه (Line)
علائم: SSD
نشانه ها: جایگزین چیست؟
امتحان (نشانه های_الف)
نشانه ها: محلی سازی (HoughCircles) - نظریه
نشانه ها: محلی سازی (HoughCircles) - Codeflow
نشانه ها: محلی سازی (HoughCircles) - تجزیه و تحلیل
نشانه ها: محلی سازی (تشخیص شکل) - Codeflow
نشانه ها: محلی سازی (تشخیص شکل) - تجزیه و تحلیل
نشانه ها: محلی سازی [تحلیل مقایسه ای]
امتحان (محلی سازی)
نشانه ها: طبقه بندی (CNN) - تئوری
نشانه ها: طبقه بندی (CNN) - ساخت CNN سفارشی ما
آزمون (طبقه بندی)
علائم : (محلی سازی + طبقه بندی) - تجزیه و تحلیل
علائم: ردیابی - چرا ردیابی؟
نشانه ها: ردیابی (CSRT) - تئوری
علائم: ردیابی (CSRT) - Codeflow
نشانه ها: ردیابی (MeanShift) - تئوری
علائم: ردیابی (MeanShift) - Codeflow
علائم: ردیابی (CSRT و Meanshift) - تجزیه و تحلیل
علائم: ردیابی (OpticalFlow) - تئوری
علائم: ردیابی (OpticalFlow) - Codeflow
علائم: ردیابی (OpticalFlow) - تجزیه و تحلیل
علائم: ردیابی - [تحلیل مقایسه ای]
آزمون (ردیابی)
نشانه ها: Codeflow [نهایی]
نشانه ها: تجزیه و تحلیل [نهایی[
امتحان (Signs_B)
کنترل :
جریان دوره
الف) دنبال کردن خط - نظریه
الف) Lane Following - Codeflow
امتحان (Control_A)
ب) رعایت محدودیت های سرعت
ب) رعایت محدودیت های سرعت - Codeflow
تجزیه و تحلیل [نهایی]
امتحان (Control_B)
نحوه استفاده از کد:
مرحله 1 # Raspberry pi و ایجاد محیط لینوکس
مرحله 1 (ویندوز) # راه اندازی محیط
مرحله 2 # درک ساختار مخزن
ماشین خودران :
قرار دادن همه چیز با هم
تجزیه و تحلیل [Track Run]
نتیجه گیری:
سخنان پایانی
Autonomous Car:Deep Learning & Computer Vision for Beginners
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
ساخت ربات های ROS بوسیله Raspberry-PI, OpenCV
ساخت اتومبیل های خودران بوسیله ROS2 با Deep Learning and Computer Vision
برنامه ریزی مسیر ROS2 و حل پیچ و خم با دید رایانه
ROS2 Point Clouds For Autonomous Self Driving Car using PCL
راهنمای نهایی ROS برای بازوهای رباتیک
طراحی و کدنویسی بوسیله ROS Arduino : ساخت اینترفیس برای برنامه های موبایل
اطلاع رسانی حذف دوره های قدیمی و تخفیفات نوروزی مشاهده