Objektumfelismerés az alapoktól – Raspberry Pi és AI a gyakorlatban
Az AI és a képfeldolgozás korunk legdinamikusabban fejlődő technológiai területei közé tartoznak, amelyeket egyre szélesebb körben alkalmazunk: az ipari automatizálástól kezdve az otthoni biztonsági rendszereken és az oktatáson át egészen a politikai vagy marketing célú megfigyelésig. A technológiai fejlődésnek köszönhetően ezek a megoldások ma már nem kizárólag drága, speciális eszközökkel valósíthatók meg, hanem a Raspberry Pi technikával is.
Az Adaptér legújabb kurzusa kezdő érdeklődőknek szól, akik szeretnének megismerkedni a Raspberry Pi és a hozzá csatlakoztatható kameramodulok – legyen szó hagyományos vagy mesterséges intelligenciával támogatott eszközökről – működésével és lehetőségeivel. A program lépésről lépésre vezet be a Raspberry Pi hardveres és szoftveres alapjaiba, gyakorlati példákon keresztül ismertet meg velük a valós idejű képfeldolgozás és objektum-, illetve személyfelismerés korszerű metodikáit.
Milyen hardveres és szoftveres lépések szükségesek egy Raspberry Pi alapú intelligens kamerarendszer kiépítéséhez? Hogyan dolgozható fel és streamelhető valós időben a kameraképből származó információ? Milyen etikai, adatvédelmi és technikai kérdéseket vet fel az élő személydetektálás? – Augusztustól várunk titeket a Megfigyelőn a válaszokkal.
A kurzushoz szükséges előzőleges tudás:
Alapszintű számítógép-kezelési ismeretek
Programozási előképzettség nem szükséges
A kurzus felépítése:
🌑 1. blokk – Raspberry Pi alapok
Raspberry Pi hardverismertető
Raspberry Pi OS rövid bemutatása
SSH kapcsolat felépítése Mac-ről
Fájlátvitel (scp, VS Code Remote)
🌑 2. blokk – Kamera csatlakoztatása és élőkép megjelenítés
Kamera modul csatlakoztatása (sima és AI)
libcamera eszközök használata (libcamera-hello, libcamera-vid)
Felbontás és képkockasebesség beállítása (pl. 640×480, 5 FPS)
Képek és videók mentése, megtekintése
🌑 3. blokk – AI kamera és tárgyfelismerés
AI kamera működése és előnyei
Rövid elméleti bevezető: detektálás vs. klasszifikáció
Egyszerű objektumdetektálás (YOLOv8 modell használata)
Detektált objektumok megjelenítése OpenCV-vel (bounding box, címkék)
🌑 4. blokk – Kamerakép streamelése másik gépre
Élő stream indítása libcamera-vid segítségével
Stream fogadása másik gépen Python + OpenCV-vel
Kép megjelenítése cv2.VideoCapture használatával
🌑 5. blokk – Képfeldolgozás a streamelt képeken
Valós idejű képkockák feldolgozása
Színérzékelés, mozgásfigyelés, képstatisztikák
Felhasználói interakció: élő keret, területkijelölés
🌑 6. blokk – Személydetektálás és alapvető AI alkalmazás
Személydetektálás valós időben (YOLOv5 / YOLOv8 használatával)
Bounding box, osztályok, bizalomérték (confidence score)
Kiegészítő lehetőségek: testtartás megfigyelése, mozgásút rögzítése, profilozás
You may also like the following events from Adaptér:
