Program: Computer Vision & Machine Learning
Program je namijenjen učenicima uzrasta 12–18 (radimo i sa mlađima u lakšoj varijanti), i vodi od osnova slike i OpenCV-a do osnovnih Deep Learning modela, evaluacije i real-time primjene. Nastava je hands-on: svaka sedmica ima laboratoriju i mjerljiv rezultat (kod + demo).
Šta učenici nauče
- Kako se slika predstavlja: pixels, channels, color spaces; preprocessing i šum.
- OpenCV pipeline: kamera → obrada → vizualizacija/odluka.
- Dataset: prikupljanje, labeling, balans, train/val/test, data leakage.
- Evaluacija: accuracy vs precision/recall, confusion matrix, error analysis.
- Deep Learning intuicija: CNN, transfer learning, overfitting i augmentation.
- Real-time inference: FPS/latency, bottleneck, optimizacija osnovnih koraka.
- Osnove robotike kao “bridge”: vision → action (stop/go/track) u jednostavnim sistemima.
Format i način rada
Trajanje
Moduli traju 12–16 sedmica. Program se može voditi kao jedan modul ili kao cjelogodišnji (više modula).
Časovi
1–2 sesije sedmično (90–120 min), male grupe. Kombinujemo kratku teoriju + laboratoriju + mini-vježbu.
Alati
Python, OpenCV, NumPy, Jupyter, osnovni Linux/Git. Hardver: PC/laptop + kamera; Raspberry Pi kada je dostupno.
Portfolio
Svaki učenik/grupa pravi mini-projekte i završni capstone (demo + kratki report).
Primjer syllabus-a (12 sedmica)
Ispod je primjer jednog modula. Tempo prilagođavamo uzrastu (početni i napredni nivo), ali struktura ostaje ista: tema → laboratorija → kratka provjera razumijevanja.
| Sedmica | Tema | Hands-on laboratorija (deliverable) |
|---|---|---|
| 1 | Slike, pikseli, boje, čitanje frame-ova | Capture + FPS mjerač + čuvanje frame-ova u dataset folder |
| 2 | Filteri i ivice (kerneli, konvolucija) | Sobel vs Canny + eksperimentisanje sa parametrima |
| 3 | Thresholding + morphology | Binary segmentacija + clean-up pipeline za jednostavan objekat |
| 4 | Contours i mjerenja | Detekcija objekata + area/perimeter/bounding box |
| 5 | Praćenje + smoothing | Color-based tracker + stabilan centroid (basic smoothing) |
| 6 | Evaluacija i metrike | Confusion matrix + analiza FP/FN slučajeva na toy primjeru |
| 7 | Deep Learning intuicija (CNN) | Transfer learning: mali classifier + evaluacija |
| 8 | Overfitting i augmentation | Eksperiment: prije/poslije augmentation + poređenje metrika |
| 9 | Object Detection uvod | Labeling mini-seta + demo pre-trained detektora |
| 10 | Real-time inference pipeline | Webcam inference app + mjerenje latency/FPS + optimizacija |
| 11 | Responsible AI (privatnost i pristanak) | Pravila rada + “safe demo” checklist za učionicu |
| 12 | Capstone | Demo dan: CV mini-projekat + kratak tehnički izvještaj |
Assessment
- Weekly lab check: radi + učenik objašnjava “zašto”.
- 2 mini-projekta: jedan klasični OpenCV i jedan ML/DL.
- Capstone: demo + kod + kratki report (1–2 strane).