Computer Vision with SimpleCV - Plan Szkolenia

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących pracowników organów ścigania, którzy chcą przejść od ręcznego szkicowania twarzy do korzystania z narzędzi AI do opracowywania systemów rozpoznawania twarzy.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawy sztucznej inteligencji i Machine Learning.
• Poznanie podstaw cyfrowego przetwarzania obrazu i jego zastosowania w rozpoznawaniu twarzy.
• Rozwijać umiejętności korzystania z narzędzi i frameworków AI do tworzenia modeli rozpoznawania twarzy.
• Zdobycie praktycznego doświadczenia w tworzeniu, szkoleniu i testowaniu systemów rozpoznawania twarzy.
• Zrozumienie kwestii etycznych i najlepszych praktyk w zakresie korzystania z technologii rozpoznawania twarzy.

OpenFace to Python i Torch oparte na otwartym oprogramowaniu do rozpoznawania twarzy w czasie rzeczywistym, oparte na badaniach FaceNet firmy Google.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy.

Pod koniec tego szkolenia uczestnicy będą mogli

• Pracować z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4, aby zaimplementować wykrywanie twarzy, wyrównanie i transformację.
• Zastosować OpenFace do rzeczywistych zastosowań, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja powtarzających się klientów itp.

Odbiorcy

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

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

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.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zainstalować Linux, OpenCV i inne oprogramowanie narzędziowe i biblioteki na Rasberry Pi.
• Skonfigurować OpenCV do przechwytywania i wykrywania obrazów twarzy.
• Zrozumieć różne opcje 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 któregokolwiek z nich, skontaktuj się z nami w celu ustalenia szczegółów.

Fiji to pakiet do przetwarzania obrazów typu open source, który zawiera ImageJ (program do przetwarzania obrazów dla naukowych obrazów wielowymiarowych) oraz szereg wtyczek do naukowej analizy obrazu.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z dystrybucji Fiji i leżącego u jej podstaw programu ImageJ do tworzenia aplikacji do analizy obrazu.

Pod koniec tego szkolenia uczestnicy będą mogli

• Korzystać z zaawansowanych funkcji programistycznych Fiji i komponentów oprogramowania w celu rozszerzenia ImageJ
• Zszywać duże obrazy 3D z nakładających się płytek
• Automatycznie aktualizować instalację Fiji podczas uruchamiania przy użyciu zintegrowanego systemu aktualizacji
• Wybierać spośród szerokiej gamy języków skryptowych do tworzenia niestandardowych rozwiązań do analizy obrazu
• Korzystanie z potężnych bibliotek Fiji, takich jak ImgLib na dużych zbiorach danych bioobrazów
• Wdrożyć swoją aplikację i współpracować z innymi naukowcami nad podobnymi projektami.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

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.

PaddlePaddle (PArallel Distributed Deep LEarning) to skalowalna platforma głębokiego uczenia opracowana przez Baidu.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z PaddlePaddle, aby umożliwić głębokie uczenie się w swoich aplikacjach produktowych i usługowych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Konfiguracja i konfiguracja PaddlePaddle
• Konfigurowanie konwolucyjnej sieci neuronowej (CNN) do rozpoznawania obrazów i wykrywania obiektów
• Konfigurowanie rekurencyjnej sieci neuronowej (RNN) do analizy nastrojów
• Skonfiguruj głębokie uczenie w systemach rekomendacji, aby pomóc użytkownikom znaleźć odpowiedzi
• Przewidywać współczynniki klikalności (CTR), klasyfikować zestawy obrazów na dużą skalę, wykonywać optyczne rozpoznawanie znaków (OCR), szeregować wyszukiwania, wykrywać wirusy komputerowe i wdrażać system rekomendacji.

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

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

Pattern Matching 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 określa, czego szukamy, a następnie mówi nam, czy oczekiwany wzorzec istnieje, czy nie.

Format kursu

• Kurs ten wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.

Scilab jest dobrze rozwiniętym, darmowym i otwartym językiem wysokiego poziomu do manipulacji danymi naukowymi. Używany w statystyce, grafice i animacji, symulacji, przetwarzaniu sygnałów, fizyce, optymalizacji i nie tylko, jego centralną strukturą danych jest macierz, co upraszcza wiele rodzajów problemów w porównaniu z alternatywami, takimi jak FORTRAN i pochodne C. Jest kompatybilny z językami takimi jak C, Java i Python, dzięki czemu nadaje się jako uzupełnienie istniejących systemów.

Podczas tego szkolenia prowadzonego przez instruktora uczestnicy poznają zalety Scilab w porównaniu z alternatywami, takimi jak Matlab, podstawy składni Scilab, a także niektóre zaawansowane funkcje i interfejs z innymi powszechnie używanymi językami, w zależności od zapotrzebowania. Kurs zakończy się krótkim projektem skupiającym się na przetwarzaniu obrazu.

Pod koniec tego szkolenia uczestnicy będą mieli opanowane podstawowe funkcje i niektóre zaawansowane funkcje Scilab oraz będą mieli zasoby do dalszego poszerzania swojej wiedzy.

Publiczność

• Naukowcy i inżynierowie zajmujący się danymi, szczególnie zainteresowani przetwarzaniem obrazu i rozpoznawaniem twarzy

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i intensywna praktyka praktyczna, z końcowym projektem

OpenCV (Open Source Computer Vision Library: http://opencv.org) to biblioteka na licencji BSD o otwartym kodzie źródłowym, która zawiera kilkaset algorytmów widzenia komputerowego.

Odbiorcy

Ten kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać OpenCV w projektach związanych z wizją komputerową

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla inżynierów oprogramowania, którzy chcą programować w Python z OpenCV 4 do głębokiego uczenia się.

Pod koniec tego szkolenia uczestnicy będą mogli

• Przeglądać, ładować i klasyfikować obrazy i filmy za pomocą OpenCV 4.
• Wdrożyć głębokie uczenie w OpenCV 4 z TensorFlow i Keras.
• Uruchamiać modele głębokiego uczenia i generować wpływowe raporty z obrazów i filmów.

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

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą pogłębić swoją wiedzę na temat wizji komputerowej i poznać możliwości TensorFlow w zakresie opracowywania zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Budować i trenować konwolucyjne sieci neuronowe (CNN) przy użyciu TensorFlow.
• Wykorzystać Google Colab do skalowalnego i wydajnego rozwoju modeli opartych na chmurze.
• Wdrażać techniki wstępnego przetwarzania obrazu dla zadań wizji komputerowej.
• Wdrażanie modeli wizji komputerowej do rzeczywistych zastosowań.
• Wykorzystanie uczenia transferowego w celu zwiększenia wydajności modeli CNN.
• Wizualizacja i interpretacja wyników modeli klasyfikacji obrazów.