Tässä tehtävässä perehdyt **esineiden tunnistukseen** syväoppimisen avulla. Ensin rakennat **oman esineiden tunnistusmallin** alusta käyttäen **Kerasta**. Sen jälkeen **lataat valmiiksi koulutetun YOLOv8-mallin** ja sovellat sitä samaan aineistoon.

Tehtävän aikana:

- Koulutat yksinkertaisen Keras-pohjaisen esineiden tunnistimen;
- Lataat ja suoritat ennusteita YOLOv8-mallilla, joka on koulutettu samalla datalla;
- Arvioit mallin suorituskykyä oikeilla validointikuvilla;
- Vertaat tuloksia ja ymmärrät eron omien mallien ja huipputason mallien välillä.

Notebookin puolivälissä pohdit, miksi tunnistusmallien rakentaminen alusta voi olla rajoittavaa — ja mainitset lyhyesti **siirtoloppimisen** merkityksen käytännön sovelluksissa.

### [Colab Object Detection Project](https://colab.research.google.com/drive/1S9TTP01SHG20Ugm-hYuoCdqvq-tqUr36?usp=sharing)



Lataa aineisto

Kattava johdatus tietokonenäköön, keskittyen koneelliseen havainnointiin ja visuaalisen datan tulkintaan. Kattaa kuvien esikäsittelyn, piirteiden poiminnan, objektien tunnistuksen sekä syväoppimistekniikat, joita käytetään nykyaikaisissa näköjärjestelmissä.

Konenäkö mahdollistaa koneiden tulkita ja analysoida visuaalista dataa, jäljitellen ihmisen havainnointia. Tässä osiossa käsitellään kuvan esitystapojen, väritilojen ja matemaattisten perusteiden perusteita, jotka ovat olennaisia kuvankäsittelyn ymmärtämiseksi. Tutustut käytännön sovelluksiin, kuten autonomisiin ajoneuvoihin ja lääketieteelliseen kuvantamiseen, sekä siihen, miten konenäkö yhdistyy tekoälyyn ja koneoppimiseen.

OpenCV on tehokas kirjasto kuvankäsittelyyn ja konenäön tehtäviin. Tässä osiossa käsitellään keskeisiä tekniikoita, kuten kuvien suodatus, muunnokset, reunojen tunnistus ja segmentointi. Opit suorittamaan kuvan sumentamista, kynnysarvotusta, ääriviivojen tunnistusta ja piirteiden poimintaa kuvien parantamiseksi ja analysoimiseksi tehokkaasti.

CNN:t käsittelevät visuaalista dataa konvoluutio-, poolaus- ja aktivointikerrosten avulla piirteiden erottamiseksi tehtäviin, kuten kuvien luokitteluun ja objektien tunnistukseen. Keskeisiä osia ovat täydennys, konvoluutio piirteiden erottamiseen, poolaus monimutkaisuuden vähentämiseen ja aktivointi epälineaarisuuden tuottamiseen. Suositut arkkitehtuurit, kuten AlexNet, VGG ja ResNet, mahdollistavat tekoälyn käytön terveydenhuollossa, autonomiassa ja turvallisuudessa.

Esineentunnistus on tietokonenäön keskeinen tehtävä, jossa tunnistetaan ja paikannetaan esineitä kuvassa. Toisin kuin kuvien luokittelu, jossa koko kuvalle annetaan yksi luokka, esineentunnistus sekä luokittelee esineet että määrittää niiden sijainnit rajaavien laatikoiden avulla. Tässä osiossa käsitellään esineentunnistuksen keskeisiä tekniikoita ja algoritmeja, perinteisistä menetelmistä syväoppimiseen perustuviin lähestymistapoihin, kuten YOLO ja U-Net.

Konenäkö on kehittynyt merkittävästi vuosien varrella, siirtyen peruskuvankäsittelymenetelmistä monimutkaisiin syväoppimistekniikoihin. Tämä osio käsittelee konenäön viimeisimpiä innovaatioita, keskittyen siirto-oppimiseen, kasvojentunnistukseen ja kuvien generointiin. Tarkastelemme esikoulutettujen mallien vaikutusta suorituskykyyn, kasvojentunnistusteknologian periaatteita sekä tapoja, joilla tekoäly luo kuvia syväoppimisen avulla.

Haaste: Objektien Tunnistus Omalla Mallilla ja YOLOlla

Tehtävä

Colab Object Detection Project