Материалы курса представлены в репозитории https://github.com/MVRonkin/Computer-Vision-Course_lec-practice/tree/main/2025

Содержание курса Mind Map

Основные материалы курса

код	Раздел	Содержание	ссылка на лекцию	ссылка на практику	Контрольное мероприятие
1.	Введение в предмет компьютерное зрение	Задачи компьютерного зрения, понятие и особенности цифровых изображений, понятие признаки в компьютерном зрении, понятие свертка в цифровой обработке изображений. Обзор алгоритмов предобработки изображений: построение фильтров размытия, резкости и выделения границ, бинаризация изображений, нелинейные фильтры Построение последовательностей предобработки изображений в OpenCV Сравнение библиотек работы с изображениями	GitHub 1, GitHub 2	GitHub GitHub 2	-
2.	Обзор классических подходов к решению задач компьютерного зрения	Классические подходы к решению задач компьютерного зрения: поиск изображений по признакам SIFT, и по эталону, методы обнаружения объектов (Виолы-Джонса), Сегментация Watershed, Понятие Оптический поток Решение задачи компьютерного зрения классическими методами	GitHub	GitHub	-
3.	Современное состояние сверточных нейронных сетей в задачах компьютерного зрения.	Внутренняя структура и особенности обучения сверточной нейронной сети ResNet Сверточные сети семейства ResNet: ResNeXt, Xception, BIT, DenseNet, ResNet-D, NFNet, Step By Step network Построение и дообучение сверточных нейронных сетей в PyTorch + torchvision с применением backbone сетей семейства ResNet: training pipeline, transfer learning, функции потерь и метрики обучения, анализ результатов обучения. Решение задачи компьютерного зрения с использованием дообученных моделей	GitHub	GitHub	Invite
4.	Оптимизация сверточных сетей	Другие ахритектуры СНС и Архитектуры для низкопроизводительных устройств: MoblieNet block, SE-блок, NAS: EfficientNet, RepVGG/MobileOne, Приемы разработки и оптимизации специализированных архитектур для работы с изображениями: разработка решений на основе сложных конфигураций сверточных нейронных сетей в timm, приемы обучения СНС. Решение задачи компьютерного зрения с использованием кастомизации архитектуры под задачу	GitHub	GitHub	Invite
5.	Архитектуры трансфромеры для построения продуктов с компьютерным зрением	Архитектура ViT и ее модификации: SwiGLU, MOE, RMSNorm, DeiT и другие Другие архитектуры типа трансфромеры: SWIN, MobileViT, архитекутры-миксеры, ConvNeXt Исследование и имплементация SOTA-моделей в задачах анализа изображений на примере семейства моделей ViT в экосистеме HuggingFace Построение пайплайна. Комбинирует несколько моделей в комплексные решения	GitHub	GitHub	-
6.	Задачи сегментации изображений	Переход от задач классификации к задачам Dense Prediction на примере сегментации изображений. Архитекутры Энкодер-Декодер на примере U-Net, Архитектуры головной части на примере DeepLab V3/расширенная свертка и нелинейное рецептивное поле. Архитектуры трансформеры для сегменатции изображений: SegFormer и другие архитектуры. Применение алгоритмов и библиотек компьютерного зрения для прикладных задач сегментации изображений: SMP, albumentation, Решение задачи семантической сегментации с использованием дообученных моделей	GitHub	GitHub	Invite
7.	Задачи обнаружения объектов	Многоэтапные архитектуры обнаружения объектов на примере Faster-R-CNN/Mask-R-CNN. Быстрые одноэтапные архитектуры на примере семейства архитектур YOLO Архитектуры трансформеры для обнаружения объектов на примере сеймества DETER + RT-DETER Применение алгоритмов и библиотек компьютерного зрения для прикладных задач обнаружения объектов на изображениях на примере YOLO Решение задачи семантической обнаружение объектов с использованием дообученных моделей	GitHub	GitHub	Invite
8.	Подходы к построению базисных моделей компьютерного зрения	Принципы самообучения (MAE, I-JEPA), Контрастное обучение (DINO), мультимодальное обучение (CLIP) Базисные архитектуры решения отдельных задач (SAM, Ground DINO) Обзор принципов построения VLM Разработка стратегий применения базисных моделей CV (компьютерного зрения): zero-shot learning, linerar/non-linear probe и других, Решение задач распознавания текста на изображении	GitHub	-	Invite
9.	Особенности построения систем с компьютерным зрением	Обзор вопросов подготовки данных Вопросы интерпретируемости результатов работы моделей Grad-Cam Вопросы оценки надежности решения задач компьютерного зрения TTA, специальные методы повышения качества, OOD тестирование Решение задач обнаружения аномалий/дрейфа данных	-	-	-
10.	Предпосылки соврменного компьютерного зрения: Переход от LeNet к ResNet	Повтор понятий сверточный блок, рецептивное поле, регуляризация, нормализация, обучение СНС и других понятий), Построение кастомных сверточных нейронных сетей в PyTorch + torchvision: training pipeline, аугментация, работа с набором данных.. Решение задачи классификации методами компьютерного зрения	GitHub	GitHub 1, GitHub 2	Invite

Итогового задания

https://github.com/MVRonkin/Computer-Vision-Course_lec-practice/blob/main/2025/README.md

Литература

Курс сопровождается учбено-методическимими материалами

• Ронкин М. В. Долганов А.Ю. Глубокое обучение систем компьютерного зрения : учебное пособие : https://elar.urfu.ru/handle/10995/143721
• Ронкин М.В. Он-лайн курс «Компьютерное зрение» (24 лекции и 10 практик) https://courses.openedu.urfu.ru/course-v1:UrFU+COMPVISION+original.

доп.литература

• Глубокое обучение Китов В.
• Учебник по машинному обучению. Разделы по DeepLearning
• Нейронные сети и их применение в научных исследованиях. Курс МГУ разделы про CV + GitHub
• d2l Dive into Deep Learning. 7,8,14 Chapters
• Deep_learning_school МФТИ
• deepschool blog CV
• MIT Foundation of CV
• stanford cs231n 2025 CV
• hyper.ai (paperwithcode)
• F.Chole Deep learning with python and github
• Zero-to-Mastery learn pytorch
• HF compunity CV course
• autonomous-vision course

еще более доп. лит.

• курс по дифузионкам
• pytorch-gradcam-book
• VLM 2025 blogpost HF
• roboflow notebooks collection
• yandex blog VLM и тут и от МТС и тут
• Transformers Tutorials
• DLSchool
• [CVRocket]https://github.com/gracikk-ds/cv-rocket)
• CVEpam
• Vit project
• Vae blog
• NVidea DeepLearning Examples
• DL for Vision 2020
• DL for CV book
• prgoram history cv
• deep_learning_tutorial_iciap
• mit cv dl
• understanding dl book
• uav dl course
• full stack dl 2022
• Famous Deep Learning Papers
• Annotated Research Paper Implementations/Deep Learning Paper Implementations
• blog ssl
• blog pytorch internals

всякие интересные репозитории

• Deep-Learning-From-Scratch
• Deep Learning Fundamentals: Code Materials and Exercises
• Awesome Deep Learning
• the incredible pytorch

инструменты

• AlbumentationsX - новая версия библиотеки Albumentation
• Vit=pytorch - библа о ViT
• lightly - библиотека для SSL
• skorch - high api в стиле sklearn для торч
• fast.ai - very fast torch compatible framework