Первое занятие: сначала короткая инструкция. Если среда не работает — 00. Старт без установки.ipynb или HTML без Jupyter. GitHub необязателен; можно работать и сдавать файлами.

Компьютерное зрение

Практические занятия по дисциплине «Компьютерное зрение» для направления 01.03.02 «Прикладная математика и информатика», профиль «Искусственный интеллект», СГУ им. Питирима Сорокина. 5 семестр.

Курс о том, как из таблицы чисел, которой для компьютера является любая картинка, извлечь смысл: от пикселей, камер и фильтров через классические алгоритмы OpenCV к первой собственной нейросети. За семестр каждый студент делает проект на своей съёмке или согласованном разрешённом наборе. В следующем семестре пригодится опыт проекта; данные и задача могут измениться.

Автор — Дуркин Анатолий Альбертович, старший преподаватель: anatoliy.durkin@mail.ru, Telegram @AnatoDu, канал https://t.me/code_matan_ai

С чего начать

1. Скачайте курс (Git clone или Download ZIP). Один раз скопируйте project_template целиком в личную папку с любым именем, вне клона курса. Готовый студенческий ZIP уже содержит этот шаблон.
2. В собственной папке откройте workbooks/01.1 Как компьютер видит мир.ipynb. Поддержка и учебные данные находятся внутри course_support; соседний репозиторий не нужен. Подробно — первый старт.
3. Условия проекта — в ПРОЕКТ.md, критерии оценки — в ОЦЕНИВАНИЕ.md, как сдавать — в СДАЧА.md, как снимать данные — в ДАННЫЕ.md.
4. Книги, фильмы, курсы и соревнования по темам курса — в ПОЛЕЗНОЕ.md.
5. Установка дома — УСТАНОВКА.md.

Занятия

Каждое занятие — две пары, на каждую пару своя тетрадь. Номер тетради NN.M читается так: занятие NN, пара M.

№	Пара 1	Пара 2	Выдаётся
1	Как компьютер видит мир	Цвет, яркость и ваш проект	выбор трека
2	Камера. От света к пикселю	Калибровка камеры	ЛР1
3	Свёртка и линейные фильтры	Шум, нелинейные фильтры и масштаб	—
4	Края и градиенты	Бинаризация, морфология и контуры	ЛР2
5	Особые точки и дескрипторы	Сопоставление, гомография и «скан из фото»	—
6	Сегментация	Поиск и классификация изображений по содержанию	—
7	Видео: кадры, фон, движение	Трекинг и классические детекторы	ЛР3
8	Разметка: инструменты и форматы	Метрики: IoU и mAP своими руками	ЛР4
9	Аугментации и разбиение без утечек	Решение без нейросетей	ЛР5
10	Перцептрон своими руками	Многослойная сеть в PyTorch	ЛР6
11	Свёрточная сеть	Переобучение и данные проекта	—
12	Первая нейросеть на ваших данных	Защита проектов	защита

Тетради появляются к своему занятию.

Как курс связан с другими дисциплинами

flowchart LR
    subgraph before["Уже пройдено: 1–4 семестры"]
        A1["Алгебра и геометрия, математический анализ"]
        A2["Численные методы, архитектура компьютера"]
        A3["Теория вероятностей и матстатистика"]
        A4["Введение в ИИ, машинное обучение"]
    end
    subgraph now["Сейчас: 5 семестр"]
        B0["Компьютерное зрение"]
        B1["Уравнения с частными производными"]
        B2["Нечёткая логика"]
        B3["ООП (C++)"]
        B4["Факультатив: виртуальная и дополненная реальность"]
    end
    subgraph after["Дальше: 6–8 семестры"]
        C1["Нейронные сети"]
        C2["Методы оптимизации"]
        C3["Архитектура систем ИИ, информационная безопасность"]
        C4["Практики, ВКР"]
    end
    A1 --> B0
    A2 --> B0
    A3 --> B0
    A4 --> B0
    B1 <--> B0
    B2 <--> B0
    B3 <--> B0
    B4 <--> B0
    B0 --> C1
    B0 --> C2
    B0 --> C3
    B0 --> C4

Loading

Что в репозитории

01.1 … 12.2 .ipynb      тетради занятий: NN — занятие, M — пара
course_support/        проверки, вспомогательные функции и учебные данные
docs/                  правила курса и шпаргалки
project_template/      заготовка репозитория для вашего проекта

Второй блок

Готовы тетради 02.1 и 02.2; условия первой лабораторной — ЛР1. Новые файлы добавляйте по инструкции обновления, сохраняя старые ответы.