Wizja komputerowa z SimpleCV - Plan Szkolenia

Caffe to ramka uczenia głębokiego stworzona z myślą o wyrażaniu, szybkości i modularności.

Ten kurs bada zastosowanie Caffe jako ramki uczenia głębokiego do rozpoznawania obrazów przy użyciu MNIST jako przykładu

Grupa docelowa

Ten kurs jest odpowiedni dla badaczy i inżynierów uczenia głębokiego zainteresowanych wykorzystaniem Caffe jako ramki.

Po ukończeniu tego kursu uczestnicy będą w stanie:

• zrozumieć strukturę i mechanizmy wdrażania Caffe
• wykonawać zadania związane z instalacją/środowiskiem produkcji/architekturą i konfiguracją
• oceniać jakość kodu, wykonywać debugowanie i monitorowanie
• wdrażać zaawansowane rozwiązania produkcji, takie jak szkolenie modeli, implementacja warstw i logowanie

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest przeznaczone dla programistów AI i inżynierów komputerowego widzenia na poziomie średnim, którzy chcą budować niezawodne systemy wizyjne dla aplikacji autonomicznego jazdy.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawowe koncepcje komputerowego widzenia w pojazdach autonomicznych.
• Wdrożyć algorytmy do wykrywania obiektów, wykrywania pasów i segmentacji semantycznej.
• Integrować systemy wizyjne z innymi podsystemami pojazdów autonomicznych.
• Zastosować techniki uczenia głębokiego do zaawansowanych zadań percepcji.
• Oceniać wydajność modeli komputerowego widzenia w rzeczywistych scenariuszach.

Ten szkolenie prowadzone przez instruktora w formie Polsce (online lub na miejscu) skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat wizji komputerowej i eksplorować możliwości TensorFlow do tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Budować i trenować sieci neuronowe konwolucyjne (CNNs) przy użyciu TensorFlow.
• Korzystać z Google Colab do skalowalnego i wydajnego rozwoju modeli w chmurze.
• Wdrażać techniki przetwarzania obrazów do zadań związanych z wizją komputerową.
• Wdrażać modele wizji komputerowej do rzeczywistych zastosowań.
• Używać transfer learningu do poprawy wydajności modeli CNN.
• Wizualizować i interpretować wyniki modeli klasyfikacji obrazów.

Szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do inżynierów komputerowego wzroku, developerów AI i profesjonalistów IoT na poziomie średniozaawansowanym do zaawansowanym, którzy chcą wdrażać i optymalizować modele komputerowego wzroku do przetwarzania w czasie rzeczywistym na urządzeniach krawędziowych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawy Edge AI i jej zastosowania w komputerowym wzroku.
• Wdrażać optymalizowane modele uczenia głębokiego na urządzeniach krawędziowych do analizy obrazów i wideo w czasie rzeczywistym.
• Korzystać z frameworków takich jak TensorFlow Lite, OpenVINO i NVIDIA Jetson SDK do wdrażania modeli.
• Optymalizować modele AI pod kątem wydajności, efektywności energetycznej i niskiego opóźnienia wnioskowania.

Ten szkolenie prowadzone przez instruktora w Polsce (online lub stacjonarne) jest skierowane do początkujących pracowników służb prawnych, którzy chcą przejść od ręcznego rysowania portretów do wykorzystywania narzędzi AI do tworzenia systemów rozpoznawania twarzy.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy Sztucznej Inteligencji i Machine Learning.
• Nauczyć się podstaw obróbki cyfrowych obrazów i ich zastosowania w rozpoznawaniu twarzy.
• Rozwinąć umiejętności w używaniu narzędzi i ram AI do tworzenia modeli rozpoznawania twarzy.
• Zdobyć doświadczenie praktyczne w tworzeniu, trenowaniu i testowaniu systemów rozpoznawania twarzy.
• Zrozumieć etyczne aspekty i najlepsze praktyki w używaniu technologii rozpoznawania twarzy.

Fiji to otwarte oprogramowanie do przetwarzania obrazów, które zawiera ImageJ (program do przetwarzania obrazów naukowych wielowymiarowych) oraz wiele wtyczek do analizy obrazów naukowych.

W tym szkoleniu prowadzonym przez instruktora uczestnicy nauczą się korzystać z dystrybucji Fiji i jej podstawowego programu ImageJ, aby stworzyć aplikację do analizy obrazów.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Korzystać z zaawansowanych funkcji programistycznych i komponentów oprogramowania Fiji, aby rozszerzyć ImageJ
• Łączyć duże 3D obrazy z nakładających się kafelków
• Automatycznie aktualizować instalację Fiji podczas uruchamiania za pomocą wbudowanego systemu aktualizacji
• Wybierać spośród szerokiego wachlarza języków skryptowych, aby tworzyć niestandardowe rozwiązania do analizy obrazów
• Korzystać z potężnych bibliotek Fiji, takich jak ImgLib na dużych zestawach danych bioobrazowych
• Wdrażać swoją aplikację i współpracować z innymi naukowcami nad podobnymi projektami

Format kursu

• Interaktywna prezentacja i dyskusja.
• Wieloćwiczeń i ćwiczeń praktycznych.
• Praktyczna implementacja w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o dostosowanie szkolenia do indywidualnych potrzeb, prosimy o kontakt z nami.

To prowadzone przez instruktora szkolenie na żywo w Polsce (online lub stacjonarnie) jest skierowane do początkujących i średnio zaawansowanych badaczy oraz profesjonalistów laboratoryjnych, którzy chcą przetwarzać i analizować obrazy związane z tkankami histologicznymi, komórkami krwi, glonami i innymi próbkami biologicznymi.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Przeglądać interfejs Fiji i wykorzystywać podstawowe funkcje ImageJ.
• Wstępnie przetwarzać i poprawiać obrazy naukowe w celu lepszej analizy.
• Analizować obrazy ilościowo, w tym zliczanie komórek i pomiar powierzchni.
• Automatyzować powtarzające się zadania przy użyciu makr i wtyczek.
• Dostosowywać przepływy pracy do konkretnych potrzeb analizy obrazów w badaniach biologicznych.

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.

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.

Komputerowe widzenie jest dziedziną zajmującą się automatycznym wyciąganiem, analizowaniem i rozumieniem użytecznych informacji z cyfrowych mediów. Python jest językiem programowania wysokiego poziomu, słynącym ze swojej jasnej składni i czytelności kodu.

W tym szkoleniu prowadzonym przez instruktora uczestnicy poznają podstawy Komputerowego Widzenia, wykonując zestaw prostych aplikacji Komputerowego Widzenia za pomocą Pythona.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zrozumieć podstawy Komputerowego Widzenia
• Używać Pythona do wdrażania zadań Komputerowego Widzenia
• Budować własne systemy wykrywania twarzy, obiektów i ruchu

Wskazana grupa

• Programiści Pythona zainteresowani Komputerowym Widzeniem

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i intensywna praktyka

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu w Polsce, jest skierowane do profesjonalistów średnio zaawansowanych, którzy chcą używać Vision Builder AI do projektowania, wdrażania i optymalizowania automatycznych systemów inspekcji dla procesów SMT (Surface-Mount Technology).

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Konfigurować i ustawiać automatyczne inspekcje za pomocą Vision Builder AI.
• Nabywać i przetwarzać wysokiej jakości obrazy do analizy.
• Wdrażać logiczne decyzje dotyczące wykrywania defektów i walidacji procesu.
• Generować raporty inspekcji i optymalizować wydajność systemu.

Ta prowadzona przez instruktora, na żywo szkolenie w Polsce (online lub stacjonarnie) jest skierowane do deweloperów backendowych i naukowców danych, którzy chcą zintegrować modele predzielane YOLO w swoje programy przedsiębiorstwa oraz zaimplementować opłacalne komponenty do wykrywania obiektów.

Na koniec tego szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować niezbędne narzędzia i biblioteki wymagane w wykrywaniu obiektów za pomocą YOLO.
• Dostosowywać aplikacje wiersza poleceń Pythona działające na podstawie modeli predzielanych YOLO.
• Zaimplementować ramkę modeli predzielanych YOLO dla różnych projektów wizji komputerowej.
• Przekonwertować istniejące zestawy danych do wykrywania obiektów na format YOLO.
• Zrozumieć podstawowe koncepcje algorytmu YOLO dla wizji komputerowej i/lub uczenia głębokiego.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do programistów, badaczy i naukowców zajmujących się danymi na poziomie średnio zaawansowanym i zaawansowanym, którzy chcą nauczyć się implementować wykrywanie obiektów w czasie rzeczywistym przy użyciu YOLOv7.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje wykrywania obiektów.
• Zainstalować i skonfigurować YOLOv7 do zadań wykrywania obiektów.
• Trenować i testować niestandardowe modele wykrywania obiektów przy użyciu YOLOv7.
• Integrować YOLOv7 z innymi frameworkami i narzędziami do widzenia komputerowego.
• Rozwiązywać typowe problemy związane z implementacją YOLOv7.