Цели и задачи дисциплины
Цель дисциплины – формирование профессиональных компетенций в области проектирования, обучения и промышленного развёртывания систем компьютерного зрения на основе методов глубокого обучения.
Задачи дисциплины:
– изучить современные архитектуры нейронных сетей (CNN, Transformer, гибридные модели) для задач классификации, детекции, сегментации и трекинга;
– освоить методы аугментации данных, fine-tuning и self-supervised learning;
– овладеть инструментами оптимизации (квантизация, прунинг, дистилляция) и ускорения инференса (TensorRT, OpenVINO, ONNX Runtime);
– получить практический опыт построения CI/CD-пайплайнов и промышленного развёртывания CV-систем с использованием MLOps-инструментов.
Краткое содержание дисциплины
Дисциплина посвящена современным методам компьютерного зрения на основе глубокого обучения и их промышленному применению. Изучаются свёрточные и трансформерные архитектуры (ResNet, EfficientNet, ConvNeXt, ViT, Swin и др.) для задач классификации, детекции, сегментации и трекинга, а также самообучающиеся подходы, foundation‑модели (CLIP, SAM, диффузионные модели) и генерация данных.
Практическая часть включает построение полных CV‑пайплайнов: подготовку и аугментацию данных, обучение и интерпретацию моделей, оценку качества, распределённое обучение, квантизацию и pruning, оптимизацию инференса (ONNX Runtime, TensorRT) и развёртывание сервисов на продакшн‑инфраструктуре. Завершающий блок по MLOps и CI/CD даёт опыт версионирования данных и моделей, трекинга экспериментов и автоматизации тестирования и развёртывания в рамках итогового проекта.