Курс за обучение по YOLOv7: Real-time Object Detection with Computer Vision

Caffe е рамка за дълбоко обучение, създадена с мисъл за изразяване, скорост и модулност.

Този курс изследва приложението на Caffe като рамка за задълбочено обучение за разпознаване на изображения, използвайки MNIST като пример

Публика

Този курс е подходящ за Deep Learning изследователи и инженери, които се интересуват от използването на Caffe като рамка.

След завършване на този курс делегатите ще могат да:

разбиране на структурата и механизмите за внедряване на Caffe изпълнява задачи по инсталация/производствена среда/архитектура и конфигурация оценява качеството на кода, извършва отстраняване на грешки, мониторинг прилага разширено производство като модели за обучение, прилагане на слоеве и регистриране

Този обучителен курс, воден от инструктор на живо (онлайн или на място), е предназначен за AI разработчици от средно ниво и инженери по компютърно зрение, които желаят да изградят стабилни системи за зрение за приложения в автономното шофиране.

В края на този курс участниците ще могат да:

• Разбират основните концепции на компютърното зрение в автономните превозни средства.
• Внедряват алгоритми за откриване на обекти, откриване на ленти и семантична сегментация.
• Интегрират визуални системи с други подсистеми на автономното превозно средство.
• Прилагат техники за дълбоко обучение за напреднали задачи за възприятие.
• Оценяват производителността на моделите за компютърно зрение в реални сценарии.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към професионалисти на напреднало ниво, които желаят да задълбочат разбирането си за компютърното зрение и да изследват възможностите на TensorFlow за разработване на сложни модели на зрение с помощта на Google Colab.

До края на това обучение участниците ще могат:

• Изградете и обучете конволюционни невронни мрежи (CNN) с помощта на TensorFlow.
• Използвайте Google Colab за мащабируемо и ефективно разработване на модели, базирани на облак.
• Прилагане на техники за предварителна обработка на изображения за задачи с компютърно зрение.
• Внедрете модели на компютърно зрение за приложения в реалния свят.
• Използвайте трансферно обучение, за да подобрите ефективността на моделите на CNN.
• Визуализирайте и интерпретирайте резултатите от моделите за класификация на изображения.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към служители на правоприлагащите органи на ниво начинаещи, които желаят да преминат от ръчно лицево скициране към използване на AI инструменти за разработване на системи за лицево разпознаване.

До края на това обучение участниците ще могат:

• Разберете основите на изкуствения интелект и Machine Learning.
• Научете основите на цифровата обработка на изображения и нейното приложение при разпознаване на лица.
• Развийте умения за използване на AI инструменти и рамки за създаване на модели за лицево разпознаване.
• Придобийте практически опит в създаването, обучението и тестването на системи за лицево разпознаване.
• Разберете етичните съображения и най-добрите практики при използването на технология за лицево разпознаване.

Fiji е пакет за обработка на изображения с отворен код, който обединява ImageJ (програма за обработка на изображения за научни многоизмерни изображения) и редица добавки за научен анализ на изображения.

В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват дистрибуцията на Фиджи и основната програма ImageJ, за да създадат приложение за анализ на изображения.

До края на това обучение участниците ще могат:

• Използвайте усъвършенстваните функции за програмиране и софтуерни компоненти на Фиджи, за да разширите ImageJ
• Слепете големи 3D изображения от припокриващи се плочки
• Автоматично актуализиране на инсталация на Фиджи при стартиране с помощта на интегрираната система за актуализиране
• Изберете от богат набор от скриптови езици, за да създадете персонализирани решения за анализ на изображения
• Използвайте мощните библиотеки на Фиджи, като ImgLib върху големи набори от данни за биоизображения
• Внедрете тяхното приложение и си сътрудничете с други учени по подобни проекти

Формат на курса

• Интерактивна лекция и дискусия.
• Много упражнения и практика.
• Практическо внедряване в лабораторна среда на живо.

Опции за персонализиране на курса

• За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към изследователи от начинаещи до средно ниво и лабораторни специалисти, които желаят да обработват и анализират изображения, свързани с хистологични тъкани, кръвни клетки, водорасли и други биологични проби.

До края на това обучение участниците ще могат:

• Навигирайте в интерфейса на Фиджи и използвайте основните функции на ImageJ.
• Предварителна обработка и подобряване на научни изображения за по-добър анализ.
• Анализирайте изображенията количествено, включително броене на клетки и измерване на площ.
• Автоматизирайте повтарящи се задачи с помощта на макроси и добавки.
• Персонализирайте работните процеси за специфични нужди от анализ на изображения в биологичните изследвания.

OpenCV (Библиотека с отворен код Computer Vision: http://opencv.org) е библиотека с отворен код, лицензирана за BSD, която включва няколко стотици алгоритми за компютърно зрение.

Публика

Този курс е насочен към инженери и архитекти, които искат да използват OpenCV за проекти за компютърно зрение

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към софтуерни инженери, които желаят да програмират в Python с OpenCV 4 за задълбочено обучение.

До края на това обучение участниците ще могат:

• Преглеждайте, зареждайте и класифицирайте изображения и видеоклипове с помощта на OpenCV 4.
• Приложете дълбоко обучение в OpenCV 4 с TensorFlow и Keras.
• Изпълнявайте модели за дълбоко обучение и генерирайте въздействащи отчети от изображения и видеоклипове.

OpenFace е Python и Torch базиран софтуер с отворен код за лицево разпознаване в реално време, базиран на Google's FaceNet изследвания.

В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват компонентите на OpenFace, за да създадат и внедрят примерно приложение за лицево разпознаване.

До края на това обучение участниците ще могат:

• Работете с компонентите на OpenFace, включително dlib, OpenVC, Torch и nn4, за да реализирате разпознаване на лица, подравняване и трансформация
• Приложете OpenFace към приложения от реалния свят като наблюдение, проверка на самоличността, виртуална реалност, игри и идентифициране на повтарящи се клиенти и др.

Публика

• Разработчици
• Учени по данни

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Pattern Matching е техника, използвана за локализиране на определени модели в изображение. Може да се използва за определяне на съществуването на определени характеристики в заснето изображение, например очаквания етикет върху дефектен продукт във фабрична линия или определените размери на компонент. Той е различен от "Pattern Recognition" (който разпознава общи модели, базирани на по-големи колекции от свързани проби) по това, че конкретно диктува какво търсим, след което ни казва дали очакваният модел съществува или не.

Формат на курса

• Този курс представя подходите, технологиите и алгоритмите, използвани в областта на съпоставянето на шаблони, както се прилага към Machine Vision.

Това водено от инструктор обучение на живо въвежда софтуера, хардуера и процеса стъпка по стъпка, необходими за изграждане на система за лицево разпознаване от нулата. Разпознаването на лица е известно още като Face Recognition.

Хардуерът, използван в тази лаборатория, включва Rasberry Pi, модул на камерата, серво (по избор) и т.н. Участниците са отговорни за закупуването на тези компоненти сами. Използваният софтуер включва OpenCV, Linux, Python и др.

До края на това обучение участниците ще могат:

• Инсталирайте Linux, OpenCV и други софтуерни помощни програми и библиотеки на Rasberry Pi.
• Конфигурирайте OpenCV за заснемане и откриване на изображения на лицето.
• Разберете различните опции за опаковане на система Rasberry Pi за използване в реални среди.
• Адаптирайте системата за различни случаи на употреба, включително наблюдение, проверка на самоличността и др.

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

• Други хардуерни и софтуерни опции включват: Arduino, OpenFace, Windows и др. Ако желаете да използвате някое от тях, моля, свържете се с нас, за да уговорим.

Scilab е добре разработен, безплатен език с отворен код на високо ниво за манипулиране на научни данни. Използва се за статистика, графики и анимация, симулация, обработка на сигнали, физика, оптимизация и много други, неговата централна структура от данни е матрицата, опростяваща много видове проблеми в сравнение с алтернативи като FORTRAN и C производни. Той е съвместим с езици като C, Java и Python, което го прави подходящ за използване като допълнение към съществуващи системи.

В това водено от инструктор обучение участниците ще научат предимствата на Scilab в сравнение с алтернативи като Matlab, основите на Scilab синтаксиса, както и някои разширени функции и интерфейс с други широко използвани езици, в зависимост от търсенето. Курсът ще завърши с кратък проект, фокусиран върху обработката на изображения.

До края на това обучение участниците ще имат представа за основните функции и някои разширени функции на Scilab и ще имат ресурсите да продължат да разширяват знанията си.

Публика

Учени и инженери по данни, особено с интерес към обработката на изображения и разпознаването на лица

Формат на курса

Част лекция, част дискусия, упражнения и интензивна практическа практика с финален проект

Този инструкторски воден, живо обучение на България (онлайн или на място) е направено за професионалисти на средно ниво, които искат да използват Vision Builder AI, за да проектират, имплементират и оптимизират автоматизирани системи за инспекция за процеси на SMT (повърхностно монтиране).

До края на това обучение участниците ще могат да:

• Настрояват и конфигурират автоматизирани инспекции, използвайки Vision Builder AI.
• Придобиват и предобработват изображения с високо качество за анализ.
• Имплементират логически решения за откриване на дефекти и валидиране на процеса.
• Генерират отчети за инспекции и оптимизират производителността на системата.