diff --git a/chapters/pt/unit0/welcome/TableOfContents.mdx b/chapters/pt/unit0/welcome/TableOfContents.mdx new file mode 100644 index 000000000..f9daf8959 --- /dev/null +++ b/chapters/pt/unit0/welcome/TableOfContents.mdx @@ -0,0 +1,45 @@ +# Índice de Conteúdos dos Notebooks + +Aqui você encontra uma lista de notebooks que contêm material complementar e prático para os capítulos deste curso. +Fique à vontade para explorá-los de acordo com seu ritmo e interesse. + + +| Título do Capítulo | Notebooks | Colabs | +| ---------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | +| Unidade 0 - Bem-Vindo | No Notebook | No Colab | +| Unidade 1 - Fundamentos | No Notebook | No Colab | +| Unidade 2 - Redes Neurais Convolucionais | [Transfer Learning with VGG19](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%202%20-%20Convolutional%20Neural%20Networks/transfer_learning_vgg19.ipynb) | [Transfer Learning with VGG](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%202%20-%20Convolutional%20Neural%20Networks/transfer_learning_vgg19.ipynb) | +| | [Using ResNet with timm](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%202%20-%20Convolutional%20Neural%20Networks/timm_Resnet.ipynb) | [timm_Resnet](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%202%20-%20Convolutional%20Neural%20Networks/timm_Resnet.ipynb) | +| Unidade 3 - Transformadores de Visão | [Detection Transformer (DETR)](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/DETR.ipynb) | [Detection Transformer (DETR)](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/DETR.ipynb) | +| | [Fine-tuning Vision Transformers for Object Detection](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/Fine-tuning%20Vision%20Transformers%20for%20Object%20detection.ipynb) | [Fine-tuning Vision Transformers for Object Detection](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/Fine-tuning%20Vision%20Transformers%20for%20Object%20detection.ipynb) | +| | [Knowledge Distillation](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/KnowledgeDistillation.ipynb) | [Knowledge Distillation](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/KnowledgeDistillation.ipynb) | +| | [LoRA Fine-tuning for Image Classification](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/LoRA-Image-Classification.ipynb) | [LoRA Fine-tuning for Image Classification](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/LoRA-Image-Classification.ipynb) | +| | [Fine-tuning for Multilabel Image Classification](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/fine-tuning-multilabel-image-classification.ipynb) | [Fine-tuning for Multilabel Image Classification](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/fine-tuning-multilabel-image-classification.ipynb) | +| | [Transfer Learning for Image Classification](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/transfer-learning-image-classification.ipynb) | [Transfer Learning for Image Classification](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/transfer-learning-image-classification.ipynb) | +| | [Transfer Learning for Image Segmentation](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/transfer-learning-segmentation.ipynb) | [Transfer Learning for Image Segmentation](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/transfer-learning-segmentation.ipynb) | +| | [Swin Transformer](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/Swin.ipynb) | [Swin Transformer](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%203%20-%20Vision%20Transformers/Swin.ipynb) | +| Unidade 4 - Modelos Multimodais | [Clip Crop](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/ClipCrop.ipynb) | [Clip Crop](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/ClipCrop.ipynb) | +| | [Fine-tuning CLIP](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/Clip_finetune.ipynb) | [Fine-tuning CLIP](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/Clip_finetune.ipynb) | +| | [Clustering with CLIP](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Clustering%20with%20CLIP.ipynb) | [Clustering with CLIP](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Clustering%20with%20CLIP.ipynb) | +| | [Image Classification with CLIP](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Image%20classification%20with%20CLIP.ipynb) | [Image Classification with CLIP](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Image%20classification%20with%20CLIP.ipynb) | +| | [Image Retrieval with Prompts](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Image_retrieval_with_prompts.ipynb) | [Image Retrieval with Prompts](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Image_retrieval_with_prompts.ipynb) | +| | [Image Similarity](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Image_similarity.ipynb) | [Image Similarity](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%204%20-%20Multimodal%20Models/CLIP%20and%20relatives/Image_similarity.ipynb) | +| Unidade 5 - Modelos Generativos | No Notebook | No Colab | +| Unidade 6 - Tarefas Básicas de Visão Computacional | [Fine-tune SAM on Custom Dataset]() | [Fine-tune SAM on Custom Dataset]() | +| Unidade 7 - Vídeo e Processamento de Vídeo | [Fine-tune ViViT for Video Classification](https://github.com/DiwakarBasnet/computer-vision-course/blob/unit-7_Video_and_VideoProcessing/notebooks/Unit%207%20-%20Video%20and%20Video%20Processing/Vivit_Fine_tuned_Video_Classification.ipynb) | [Fine-tune ViViT for Video Classification](https://github.com/DiwakarBasnet/computervisioncourse/blob/unit7_Video_and_VideoProcessing/notebooks/Unit%207%20%20Video%20and%20Video%20Processing/Vivit_Fine_tuned_Video_Classification.ipynb) | +| Unidade 8 - Visão 3D, Renderização e Reconstrução de Cenas | No Notebook | No Colab | +| Unidade 9 - Otimização de Modelos | [Edge TPU](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/edge_tpu.ipynb) | [Edge TPU](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/edge_tpu.ipynb) | +| | [ONNX](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/onnx.ipynb) | [ONNX](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/onnx.ipynb) | +| | [OpenVINO](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/openvino.ipynb) | [OpenVINO](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/openvino.ipynb) | +| | [Optimum](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/optimum.ipynb) | [Optimum](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/optimum.ipynb) | +| | [TensorRT](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/tensorrt.ipynb) | [TensorRT](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/tensorrt.ipynb) | +| | [TMO](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/tmo.ipynb) | [TMO](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/tmo.ipynb) | +| | [Torch](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/torch.ipynb) | [Torch](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%209%20-%20Model%20Optimization/torch.ipynb) | +| Unidade 10 - Criação de Dados Sintéticos | [Dataset Labeling with OWLv2](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/OWLV2_labeled_image_dataset_with_annotations.ipynb) | [Dataset Labeling with OWLv2](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/OWLV2_labeled_image_dataset_with_annotations.ipynb) | +| | [Generating Synthetic Lung Images](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/Synthetic_lung_images_hf_course.ipynb) | [Generating Synthetic Lung Images](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/Synthetic_lung_images_hf_course.ipynb) | +| | [BlenderProc Examples](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/blenderproc_examples.ipynb) | [BlenderProc Examples](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/blenderproc_examples.ipynb) | +| | [Image Labeling with BLIP-2](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/image_labeling_BLIP_2.ipynb) | [Image Labeling with BLIP-2](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/image_labeling_BLIP_2.ipynb) | +| | [Synthetic Data Creation with SDXL Turbo](https://github.com/johko/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/synthetic_data_creation_sdxl_turbo.ipynb) | [Synthetic Data Creation with SDXL Turbo](https://colab.research.google.com/github/fariddinar/computer-vision-course/blob/main/notebooks/Unit%2010%20-%20Synthetic%20Data%20Creation/synthetic_data_creation_sdxl_turbo.ipynb) | +| Unidade 11 - Visão Computacional Zero-Shot | No Notebook | No Colab | +| Unidade 12 - Ética e Viéses | No Notebook | No Colab | +| Unidade 13 - Perspectivas e Tendências Emergentes | No Notebook | No Colab | diff --git a/chapters/pt/unit0/welcome/welcome.mdx b/chapters/pt/unit0/welcome/welcome.mdx new file mode 100644 index 000000000..9588d139c --- /dev/null +++ b/chapters/pt/unit0/welcome/welcome.mdx @@ -0,0 +1,163 @@ +# Bem-vindo ao Curso Comunitário de Visão Computacional + +Caro(a) estudante, + +Seja bem-vindo(a) ao **curso colaborativo de visão computacional**. A visão computacional está revolucionando o nosso mundo de diversas maneiras, desde desbloquear telefones com reconhecimento facial até analisar imagens médicas para detecção de doenças, monitorar a vida selvagem e criar novas imagens. Juntos, vamos mergulhar nesse fascinante universo! + +Ao longo deste curso, abordaremos desde os conceitos básicos até os avanços mais recentes em visão computacional. A estrutura contempla diversos tópicos fundamentais, tornando-o acessível e amigável para todos. Estamos muito felizes por você ter se juntado a nós nesta jornada empolgante! + +Nesta página, você encontrará informações sobre como ingressar na comunidade de estudantes, realizar uma submissão para obter o certificado e outros detalhes sobre o curso. + +## Atividade 📄 + +Para obter a sua certificação pela conclusão do curso, complete as seguintes atividades: + +1. Treinamento/ajuste fino (*fine-tuning*) de um modelo +2. Construção de uma aplicação e hospedagem no Hugging Face Spaces + +### Treinamento/Ajuste Fino de um Modelo + +Existem *notebooks* na seção **Notebooks/Vision Transformers**. No momento, dispomos de *notebooks* para detecção de objetos, segmentação de imagens e classificação de imagens. Você pode treinar um modelo utilizando um conjunto de dados que já existe no 🤗 Hub ou fazer o upload de um conjunto de dados em um repositório de datasets e treinar um modelo com ele. + +O repositório do modelo precisa conter o seguinte: + +1. Um *model card* (ficha técnica do modelo) devidamente preenchida. Consulte este [link](https://huggingface.co/docs/hub/en/model-cards) para mais detalhes. +2. Se o modelo foi treinado com a biblioteca `transformers` e enviado ao Hub, o *model card* será gerado automaticamente. Nesse caso, edite-o e adicione mais detalhes. +3. Inclua o ID do dataset ao *model card* para vincular o repositório do modelo ao do dataset. + +### Criação de um Space + +Nesta atividade, você desenvolverá uma aplicação baseada em Gradio para o seu modelo de visão computacional e a compartilhará na 🤗 Spaces. Saiba mais sobre essas tarefas nos seguintes recursos: + +- [Introdução ao Gradio](https://huggingface.co/learn/nlp-course/en/chapter9/1) +- [Como compartilhar sua aplicação no 🤗 Spaces](https://huggingface.co/learn/nlp-course/en/chapter9/4) + +## Certificação 🥇 + +Após concluir as atividades — Treinamento/Ajuste Fino de um Modelo e Criação de um Space —, por favor, preencha este [formulário](https://forms.gle/isiVSw59oiiHP6pN9) com seu nome, e-mail e links para os repositórios do seu modelo e do seu Space para receber seu certificado. + +## Participe da comunidade! + +Convidamos você a fazer parte da [nossa ativa e colaborativa comunidade no Discord](http://hf.co/join/discord), onde conversas envolventes e interesses compartilhados florescem diariamente, e onde este curso teve início. Você encontrará colegas com os quais poderá trocar ideias e recursos. É o local ideal para colaborar, receber feedback e tirar dúvidas! + +Além disso, essa é uma excelente maneira de se motivar a acompanhar o curso. Participar da nossa comunidade é uma ótima forma de se manter engajado. Quem sabe o que construiremos juntos a seguir? + +À medida que a IA continua a avançar, a qualidade de nossas discussões e a diversidade de perspectivas em nossa comunidade também aumentam. Como membro, você terá a oportunidade de se conectar com outros participantes do curso, trocar ideias e colaborar. Ademais, os contribuidores deste curso são ativos no Discord e podem ajudar você sempre que necessário. Junte-se a nós agora! + +## Canais de Visão Computacional + +Existem diversos canais focados em variados tópicos no nosso servidor do Discord. Você encontrará pessoas discutindo artigos científicos (*papers*), organizando eventos, compartilhando seus projetos e ideias, fazendo brainstorm e muito mais. + +Como estudante do curso de visão computacional, os seguintes canais podem ser particularmente relevantes: + +- `#computer-vision`: canal geral para tudo relacionado à visão computacional +- `#cv-community-project`: canal oficial para este curso, onde você pode compartilhar dúvidas, ideias e melhorias +- `#3d`: discutir aspectos específicos da visão computacional 3D + +Se você se interessa por IA generativa, também o convidamos a participar de todos os canais relacionados aos Modelos de Difusão: `#core-announcements`, `#dev-discussions` e `#i-made-this`. + +## O que você aprenderá + +O curso é composto por teoria, tutoriais práticos e desafios envolventes. + +- **Parte Teórica**: Esta seção aborda os princípios teóricos da visão computacional, explicados em detalhes com exemplos práticos. +- **Tutoriais Práticos**: Você aprenderá a treinar e aplicar os principais modelos de visão computacional utilizando *notebooks* do Google Colab. + +Ao longo deste curso, cobriremos desde os fundamentos até os avanços mais recentes em visão computacional. A estrutura foi organizada para incluir diversos tópicos fundamentais, proporcionando uma compreensão abrangente sobre o impacto atual da visão computacional. + +## Pré-requisitos + +Antes de iniciar este curso, certifique-se de que você possui alguma experiência com programação em Python e esteja familiarizado com transformers, *machine learning* (aprendizado de máquina) e redes neurais. Caso esses conceitos sejam novos para você, considere revisar a [primeira unidade do curso de NLP da Hugging Face](https://huggingface.co/learn/nlp-course/pt/chapter1/3). Embora seja vantajoso ter um bom conhecimento de técnicas de pré-processamento e operações matemáticas como convoluções, esses não são pré-requisitos obrigatórios. + +## Estrutura do Curso + +O curso está organizado em diversas unidades, abordando os fundamentos e explorando em profundidade os modelos state-of-the-art (de última geração). + +- **Unidade 1 - Fundamentos da Visão Computacional**: Esta unidade aborda os conceitos essenciais para iniciar na àrea: a necessidade da visão computacional, seus princípios básicos e aplicações. Explore os fundamentos das imagens, sua formação e pré-processamento, juntamente com aspectos-chave da extração de características (*feature extraction*). +- **Unidade 2 - Redes Neurais Convolucionais (CNNs)**: Aprofunde-se no universo das CNNs, compreendendo sua arquitetura geral, conceitos essenciais e modelos pré-treinados comuns. Aprenda como aplicar transferência de aprendizado e ajuste fino para adaptar as CNNs a diversas tarefas. +- **Unidade 3 - Transformadores de Visão (ViTs)**: Explore a arquitetura *transformer* no contexto da visão computacional e entenda como ela se compara às CNNs. Estude modelos comuns, como Swin, DETR e CVT, além de técnicas para transferência de aprendizado e ajuste fino. +- **Unidade 4 - Modelos Multimodais**: Entenda a fusão entre texto e imagem ao explorar tarefas multimodais como imagem para texto (image-to-text) e vice-versa. Estude modelos como CLIP e seus relacionados (GroupViT, BLIPM, Owl-VIT) e domine técnicas de *transfer learning* para tarefas multimodais. +- **Unidade 5 - Modelos Generativos**: Explore modelos generativos, incluindo GANs (Redes Generativas Adversariais), VAEs (Autoencoders Variacionais) e modelos de difusão (*diffusion models*). Entenda suas diferenças e aplicações em tarefas como geração de imagens a partir de texto (*text-to-image*), transformação de imagens (*image-to-image*) e preenchimento de regiões (*inpainting*). +- **Unidade 6 - Tarefas Básicas de Visão Computacional**: Aborde tarefas fundamentais como classificação de imagens, detecção de objetos e segmentação, bem como os modelos utilizados nessas tarefas (YOLO, SAM). Compreenda métricas e aplicações práticas para essas tarefas. +- **Unidade 7 - Vídeo e Processamento de Vídeo**: Analise as características dos vídeos, o papel do processamento de vídeo e os desafios em comparação com o processamento de imagens. Explore a continuidade temporal, estimativa de movimento e aplicações práticas. +- **Unidade 8 - Visão 3D, Renderização e Reconstrução de Cenas**: Mergulhe nas complexidades da visão tridimensional, explorando conceitos como NeRF (*Neural Radiance Fields*) e GQN (Generative Query Network) para renderização e reconstrução de cenas. Compreenda os desafios e aplicações da visão 3D na visão computacional, e como ela proporciona uma visão ainda mais completa da informação espacial. +- **Unidade 9 - Otimização de Modelos**: Explore aspectos críticos da otimização de modelos. Aborde técnicas como compressão de modelos, considerações para *deployment* (implantação) e o uso de ferramentas e frameworks. Inclua tópicos como *distillation* (destilação), *pruning* (poda) e TinyML para uma implantação eficiente dos modelos. +- **Unidade 10 - Criação de Dados Sintéticos**: Descubra a importância da criação de dados sintéticos utilizando modelos generativos profundos. Explore métodos como *point clouds* (nuvens de pontos) e modelos de difusão, investigando os principais datasets sintéticos e suas aplicações na visão computacional. +- **Unidade 11 - Visão Computacional Zero-Shot**: Adentre no universo do *zero-shot learning* (aprendizado sem exemplos) na visão computacional, abordando aspectos de generalização, *transfer learning* e suas aplicações em tarefas como reconhecimento zero-shot e segmentação de imagens. Explore a relação entre *zero-shot learning* e *transfer learning* em diversos domínios da visão computacional. +- **Unidade 12 - Ética e Viéses na Visão Computacional**: Compreenda as considerações éticas específicas da visão computacional. Explore por que a ética é importante, como os vieses podem infiltrar-se em modelos de IA e os tipos de vieses prevalentes nesses domínios. Aprenda como realizar avaliações de viés e estratégias de mitigação, enfatizando o desenvolvimento e a implantação responsável das tecnologias de IA. +- **Unidade 13 - Perspectivas e Tendências Emergentes**: Explore as tendências atuais e as arquiteturas emergentes. Aprofunde-se em abordagens inovadoras, como Retentive Network, Hiera, Hyena, I-JEPA e Retention Vision Models. + +## Conheça Nossa Equipe + +Este curso foi desenvolvido com muito carinho pela Comunidade Hugging Face 💜! Participe contribuindo [no GitHub](https://github.com/johko/computer-vision-course). +Nosso objetivo foi criar um curso de visão computacional que fosse amigável para iniciantes e que pudesse servir como recurso para outras pessoas. Mais de 60 colaboradores de todo o mundo uniram forças para tornar este projeto realidade. A seguir, os créditos: + +**Unidade 1 - Fundamentos da Visão Computacional** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Ameed Taylor](https://github.com/atayloraerospace), [Sergio Paniego](https://github.com/sergiopaniego) +- Redatores: [Seshu Pavan Mutyala](https://github.com/seshupavan), [Isabella Bicalho-Frazeto](https://github.com/bellabf), [Aman Kapoor](https://github.com/aman06012003), [Tiago Comassetto Fróes](https://github.com/froestiago), [Aditya Mishra](https://github.com/adityaiiitr), [Kerem Delikoyun](https://github.com/krmdel), [Ker Lee Yap](https://github.com/klyap), [Kathy Fahnline](https://github.com/kfahn22), [Ameed Taylor](https://github.com/atayloraerospace) + +**Unidade 2 - Redes Neurais Convolucionais (CNNs)** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Mohammed Hamdy](https://github.com/mmhamdy), [Sezan](https://github.com/sezan92), [Joshua Adrian Cahyono](https://github.com/JvThunder), [Murtaza Nazir](https://github.com/themurtazanazir), [Albert Kao](https://github.com/albertkao227), [Sitam Meur](https://github.com/sitamgithub-MSIT), [Antonis Stellas](https://github.com/AntonisCSt), [Sergio Paniego](https://github.com/sergiopaniego) +- Redatores: [Emre Albayrak](https://github.com/emre570), [Caroline Shamiso Chitongo](https://github.com/ShamieCC), [Sezan](https://github.com/sezan92), [Joshua Adrian Cahyono](https://github.com/JvThunder), [Murtaza Nazir](https://github.com/themurtazanazir), [Albert Kao](https://github.com/albertkao227), [Isabella Bicalho-Frazeto](https://github.com/bellabf), [Aman Kapoor](https://github.com/aman06012003), [Sitam Meur](https://github.com/sitamgithub-MSIT) + +**Unidade 3 - Transformadores de Visão (ViTs)** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Mohammed Hamdy](https://github.com/mmhamdy), [Ameed Taylor](https://github.com/atayloraerospace), [Sezan](https://github.com/sezan92) +- Redatores: [Surya Guthikonda](https://github.com/SuryaKrishna02), [Ker Lee Yap](https://github.com/klyap), [Anindyadeep Sannigrahi](https://bento.me/anindyadeep), [Celina Hanouti](https://github.com/hanouticelina), [Malcolm Krolick](https://github.com/Mkrolick), [Alvin Li](https://github.com/alvanli), [Shreyas Daniel Gaddam](https://shreydan.github.io), [Anthony Susevski](https://github.com/asusevski), [Alan Ahmet](https://github.com/alanahmet), [Ghassen Fatnassi](https://github.com/ghassen-fatnassi) + +**Unidade 4 - Modelos Multimodais** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Snehil Sanyal](https://github.com/snehilsanyal), [Mohammed Hamdy](https://github.com/mmhamdy), [Charchit Sharma](https://github.com/charchit7), [Ameed Taylor](https://github.com/atayloraerospace), [Isabella Bicalho-Frazeto](https://github.com/bellabf) +- Redatores: [Snehil Sanyal](https://github.com/snehilsanyal), [Surya Guthikonda](https://github.com/SuryaKrishna02), [Mateusz Dziemian](https://github.com/mattmdjaga), [Charchit Sharma](https://github.com/charchit7), [Evstifeev Stepan](https://github.com/minemile), [Jeremy Kespite](https://github.com/jeremy-k3/), [Isabella Bicalho-Frazeto](https://github.com/bellabf), [Pedro Gabriel Gengo Lourenco](https://github.com/pedrogengo) + +**Unidade 5 - Modelos Generativos** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [William Bonvini](https://github.com/WilliamBonvini), [Mohammed Hamdy](https://github.com/mmhamdy), [Ameed Taylor](https://github.com/atayloraerospace) +- Redatores: [Jeronim Matijević](https://github.com/jere357), [Mateusz Dziemian](https://github.com/mattmdjaga), [Charchit Sharma](https://github.com/charchit7), [Muhammad Waseem](https://github.com/hwaseem04) + +**Unidade 6 - Tarefas Básicas de Visão Computacional** + +- Revisores: [Adhi Setiawan](https://github.com/adhiiisetiawan) +- Redatores: [Adhi Setiawan](https://github.com/adhiiisetiawan), [Bastien Pouëssel](https://github.com/Skower) + +**Unidade 7 - Vídeo e Processamento de Vídeo** + +- Revisores: [Ameed Taylor](https://github.com/atayloraerospace), [Isabella Bicalho-Frazeto](https://github.com/bellabf) +- Redatores: [Diwakar Basnet](https://github.com/DiwakarBasnet), [Chulhwa Han](https://github.com/cjfghk5697), [Woojun Jung](https://github.com/jungnerd), [Jiwook Han](https://github.com/mreraser), [Mingi Kim](https://github.com/1kmmk1) + +**Unidade 8 - Visão 3D, Renderização e Reconstrução de Cenas** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [William Bonvini](https://github.com/WilliamBonvini), [Mohammed Hamdy](https://github.com/mmhamdy), [Adhi Setiawan](https://github.com/adhiiisetiawan), [Ameed Taylor](https://github.com/atayloraerospace0) +- Redatores: [John Fozard](https://github.com/jfozard), [Vasu Gupta](https://github.com/vasugupta9), [Psetinek](https://github.com/psetinek) + +**Unidade 9 - Otimização de Modelos** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Mohammed Hamdy](https://github.com/mmhamdy), [Adhi Setiawan](https://github.com/adhiiisetiawan), [Ameed Taylor](https://github.com/atayloraerospace) +- Redator: [Adhi Setiawan](https://github.com/adhiiisetiawan) + +**Unidade 10 - Criação de Dados Sintéticos** + +- Revisores: [Mohammed Hamdy](https://github.com/mmhamdy), [Ameed Taylor](https://github.com/atayloraerospace), [Bhavesh Misra](https://github.com/Zekrom-7780) +- Redatores: [William Bonvini](https://github.com/WilliamBonvini), [Alper Balbay](https://github.com/alperiox), [Madhav Kumar](https://github.com/miniMaddy), [Bhavesh Misra](https://github.com/Zekrom-7780), [Kathy Fahnline](https://github.com/kfahn22) + +**Unidade 11 - Visão Computacional Zero-Shot** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Mohammed Hamdy](https://github.com/mmhamdy), [Albert Kao](https://github.com/albertkao227), [Isabella Bicalho-Frazeto](https://github.com/bellabf) +- Redatores: [Mohammed Hamdy](https://github.com/mmhamdy), [Albert Kao](https://github.com/albertkao227) + +**Unidade 12 - Ética e Viéses na Visão Computacional** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Mohammed Hamdy](https://github.com/mmhamdy), [Charchit Sharma](https://github.com/charchit7), [Adhi Setiawan](https://github.com/adhiiisetiawan), [Ameed Taylor](https://github.com/atayloraerospace), [Bhavesh Misra](https://github.com/Zekrom-7780) +- Redatores: [Snehil Sanyal](https://github.com/snehilsanyal), [Bhavesh Misra](https://github.com/Zekrom-7780) + +**Unidade 13 - Perspectivas e Tendências Emergentes** + +- Revisores: [Ratan Prasad](https://github.com/ratan), [Ameed Taylor](https://github.com/atayloraerospace), [Mohammed Hamdy](https://github.com/mmhamdy) +- Redatores: [Farros Alferro](https://github.com/farrosalferro), [Mohammed Hamdy](https://github.com/mmhamdy), [Louis Ulmer](https://github.com/lulmer), [Dario Wisznewer](https://github.com/dariowsz), [gonzachiar](https://github.com/gonzachiar) + +**Equipe Organizadora** +[Merve Noyan](https://github.com/merveenoyan), [Adam Molnar](https://github.com/lunarflu), [Johannes Kolbe](https://github.com/johko) + +Estamos felizes por ter você aqui. Vamos começar! \ No newline at end of file