Szkolenia Computer Vision w Zielona Góra

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych programistów, badaczy i naukowców zajmujących się danymi, którzy chcą dowiedzieć się, jak zaimplementować wykrywanie obiektów w czasie rzeczywistym za pomocą YOLOv7. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstawowych koncepcji wykrywania obiektów.
• Instalacja i konfiguracja YOLOv7 do zadań wykrywania obiektów.
• Trenowanie i testowanie niestandardowych modeli wykrywania obiektów przy użyciu YOLOv7.
• Integracja YOLOv7 z innymi platformami i narzędziami wizji komputerowej.
• Rozwiązywanie typowych problemów związanych z implementacją YOLOv7.

OpenCV (Open Source Computer Vision Library: http://opencv.org) to biblioteka na licencji BSD o otwartym kodzie źródłowym, która zawiera kilkaset algorytmów wizji komputerowej. Publiczność Ten kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać OpenCV w projektach związanych z wizją komputerową

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą programować w Python z OpenCV 4 do głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Przeglądaj, ładuj i klasyfikuj obrazy i filmy za pomocą OpenCV 4.
• Implementacja głębokiego uczenia w OpenCV 4 z TensorFlow i Keras.
• Uruchamiaj modele głębokiego uczenia i generuj wpływowe raporty z obrazów i filmów.

To prowadzone przez instruktora szkolenie na żywo wprowadza oprogramowanie, sprzęt i krok po kroku proces potrzebny do zbudowania od podstaw systemu rozpoznawania twarzy. Rozpoznawanie twarzy jest również znane jako Face Recognition. Sprzęt używany w tym laboratorium obejmuje Rasberry Pi, moduł kamery, serwomechanizmy (opcjonalnie) itp. Uczestnicy są odpowiedzialni za zakup tych komponentów we własnym zakresie. Wykorzystywane oprogramowanie obejmuje OpenCV, Linux, Python itp. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstaluj system Linux, OpenCV oraz inne oprogramowanie narzędziowe i biblioteki na Rasberry Pi.
• Skonfigurowanie OpenCV do przechwytywania i wykrywania obrazów twarzy.
• Zrozumienie różnych opcji pakowania systemu Rasberry Pi do użytku w rzeczywistych środowiskach.
• Dostosowanie systemu do różnych przypadków użycia, w tym nadzoru, weryfikacji tożsamości itp.

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uwaga

• Inne opcje sprzętu i oprogramowania obejmują: Arduino, OpenFace, Windows itp. Jeśli chcesz skorzystać z którejkolwiek z tych opcji, skontaktuj się z nami w celu ustalenia szczegółów.

Dopasowywanie wzorców to technika używana do lokalizowania określonych wzorców na obrazie. Może być używana do określenia istnienia określonych cech w przechwyconym obrazie, na przykład oczekiwanej etykiety na wadliwym produkcie w linii produkcyjnej lub określonych wymiarów komponentu. Różni się od "Pattern Recognition" (który rozpoznaje ogólne wzorce w oparciu o większe zbiory powiązanych próbek) tym, że konkretnie dyktuje, czego szukamy, a następnie mówi nam, czy oczekiwany wzorzec istnieje, czy nie. Format kursu Ten kurs wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.

Caffe to platforma głębokiego uczenia stworzona z myślą o ekspresji, szybkości i modułowości. Ten kurs bada zastosowanie Caffe jako struktury głębokiego uczenia się do rozpoznawania obrazów na przykładzie MNIST Publiczność Ten kurs jest odpowiedni dla Deep Learning badaczy i inżynierów zainteresowanych wykorzystaniem Caffe jako frameworka. Po ukończeniu tego kursu uczestnicy będą w stanie

• zrozumieć strukturę i mechanizmy wdrażania Caffe&rsquo
• przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
• wdrażać zaawansowaną produkcję, taką jak modele szkoleniowe, wdrażanie warstw i rejestrowanie

Marvin to rozszerzalny, wieloplatformowy, open-source'owy framework do przetwarzania obrazów i wideo opracowany w Java.  Programiści mogą używać Marvina do manipulowania obrazami, wyodrębniania cech z obrazów do zadań klasyfikacyjnych, algorytmicznego generowania figur, przetwarzania zbiorów danych plików wideo i konfigurowania automatyzacji testów jednostkowych. Niektóre z zastosowań wideo Marvin ' obejmują filtrowanie, rzeczywistość rozszerzoną, śledzenie obiektów i wykrywanie ruchu. W tym prowadzonym przez instruktora kursie na żywo uczestnicy poznają zasady analizy obrazu i wideo oraz wykorzystają Marvin Framework i jego algorytmy przetwarzania obrazu do stworzenia własnej aplikacji. Format kursu

• Najpierw wprowadzane są podstawowe zasady analizy obrazu, analizy wideo i Marvin Framework. Studenci otrzymują zadania oparte na projektach, które pozwalają im ćwiczyć poznane koncepcje. Pod koniec zajęć uczestnicy opracują własną aplikację przy użyciu Marvin Framework i bibliotek.

Wizja komputerowa to dziedzina, która obejmuje automatyczne wyodrębnianie, analizowanie i rozumienie użytecznych informacji z mediów cyfrowych. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu. W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy poznają podstawy Computer Vision, przechodząc przez proces tworzenia zestawu prostych aplikacji Computer Vision przy użyciu Python. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumienie podstaw widzenia komputerowego
• Wykorzystanie Python do implementacji zadań Computer Vision
• Tworzenie własnych systemów wykrywania twarzy, obiektów i ruchu

Publiczność

• Python programiści zainteresowani wizją komputerową

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą zbudować autonomiczny samochód przy użyciu technik głębokiego uczenia się. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Użyj Keras do zbudowania i wytrenowania konwolucyjnej sieci neuronowej.
• Użyj technik wizji komputerowej do identyfikacji pasów ruchu w projekcie autonomicznej jazdy.
• Trenowanie modelu głębokiego uczenia się w celu rozróżniania znaków drogowych.
• Symulacja w pełni autonomicznego samochodu.

SimpleCV jest frameworkiem open source — co oznacza, że jest to zbiór bibliotek i oprogramowania, które można wykorzystać do tworzenia aplikacji wizyjnych. Umożliwia pracę z obrazami lub strumieniami wideo pochodzącymi z kamer internetowych, Kinectów, kamer FireWire i IP lub telefonów komórkowych. Pomaga tworzyć oprogramowanie, dzięki któremu różne technologie nie tylko widzą świat, ale także go rozumieją. Publiczność Ten kurs jest skierowany do inżynierów i programistów, którzy chcą rozwijać aplikacje wizji komputerowej za pomocą SimpleCV.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla programistów, którzy chcą tworzyć modele wykrywania i śledzenia obiektów z akceleracją sprzętową do analizy strumieniowych danych wideo. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja niezbędnego środowiska programistycznego, oprogramowania i bibliotek w celu rozpoczęcia programowania.
• Budowanie, trenowanie i wdrażanie modeli głębokiego uczenia się w celu analizowania kanałów wideo na żywo.
• Identyfikacja, śledzenie, segmentacja i przewidywanie różnych obiektów w klatkach wideo.
• Optymalizacja modeli wykrywania i śledzenia obiektów.
• Wdrożenie inteligentnej aplikacji do analizy wideo (IVA).

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów back-end i analityków danych, którzy chcą włączyć wstępnie wyszkolone modele YOLO do swoich programów korporacyjnych i wdrożyć opłacalne komponenty do wykrywania obiektów. Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja niezbędnych narzędzi i bibliotek wymaganych do wykrywania obiektów przy użyciu YOLO.
• Dostosowanie Python aplikacji wiersza poleceń, które działają w oparciu o wstępnie wytrenowane modele YOLO.
• Wdrażanie ram wstępnie wytrenowanych modeli YOLO dla różnych projektów wizji komputerowej.
• Konwersja istniejących zbiorów danych do wykrywania obiektów do formatu YOLO.
• Zrozumienie podstawowych koncepcji algorytmu YOLO dla wizji komputerowej i/lub głębokiego uczenia.