Computer Vision with SimpleCV - Plan Szkolenia
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.
Plan Szkolenia
Pierwsze kroki
- Instalacja
Poradniki i przykłady
- Powłoka SimpleCV
- Podstawy prostego CV
- Program Hello World
- Interakcja z wyświetlaczem
- Ładowanie katalogu obrazów
- Makro
- Kinect
- wyczucie czasu
- Wykrywanie samochodu
- Segmentacja obrazu i morfologia
- Arytmetyka obrazu
- Wyjątki w matematyce obrazu
- Histogramy
- Przestrzeń kolorów
- Korzystanie ze szczytów odcieni
- Tworzenie efektu rozmycia ruchu
- Symulacja długiej ekspozycji
- Chroma Key (zielony ekran)
- Rysowanie na obrazach w SimpleCV
- Warstwy
- Zaznaczanie obrazu
- Tekst i czcionki
- Tworzenie niestandardowego obiektu wystawowego
Wymagania
Znajomość następujących języków:
- Python
Szkolenia otwarte są realizowane w przypadku uzbierania się grupy szkoleniowej liczącej co najmniej 5 osób na dany termin.
Computer Vision with SimpleCV - Plan Szkolenia - Booking
Computer Vision with SimpleCV - Plan Szkolenia - ZAPYTANIE O SZKOLENIE
Computer Vision with SimpleCV - Zapytanie o Konsultacje
Opinie uczestników (2)
Trainer was very knowlegable and very open to feedback on what pace to go through the content and the topics we covered. I gained alot from the training and feel like I now have a good grasp of image manipulation and some techniques for building a good training set for an image classification problem.
Anthea King - WesCEF
Szkolenie - Computer Vision with Python
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Szkolenie - Computer Vision with OpenCV
Nadchodzące szkolenia
Szkolenia Powiązane
OpenFace: Creating Facial Recognition Systems
14 godzinOpenFace to oparte na Pythonie i Torch oprogramowanie open-source do rozpoznawania twarzy w czasie rzeczywistym, bazujące na badaniach Google FaceNet.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Praca z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4 w celu implementacji wykrywania, wyrównywania i przekształcania twarzy.
- Zastosuj OpenFace w rzeczywistych aplikacjach, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja stałych klientów itp.
Publiczność
- Programiści
- Naukowcy zajmujący się danymi
Format kursu
- Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
Raspberry Pi + OpenCV for Facial Recognition
21 godzinTo 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.
Pattern Matching
14 godzinDopasowywanie 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 kursuTen kurs wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.
Marvin Framework for Image and Video Processing
14 godzinMarvin 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.
Scilab
14 godzinScilab 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
PaddlePaddle
21 godzinPaddlePaddle (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
Fiji: Introduction to Scientific Image Processing
21 godzinFiji to pakiet przetwarzania obrazu typu open source, który zawiera ImageJ (program do przetwarzania 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.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Korzystaj z zaawansowanych funkcji programowania i komponentów oprogramowania Fiji, aby rozszerzyć ImageJ
- Łączenie dużych obrazów 3D z nakładających się kafelków
- Automatycznie aktualizuj instalację Fiji podczas uruchamiania za pomocą zintegrowanego systemu aktualizacji
- Wybieraj spośród szerokiej gamy języków skryptowych, aby tworzyć niestandardowe rozwiązania do analizy obrazu
- Korzystanie z potężnych bibliotek Fiji, takich jak ImgLib, na dużych zbiorach danych bioobrazów
- Wdrażać swoje aplikacje i współpracować z innymi naukowcami nad podobnymi projektami
Format kursu
- Interaktywny wykład i dyskusja.
- Dużo ćwiczeń i praktyki.
- Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
- Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Computer Vision with OpenCV
28 godzinOpenCV (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
Python and Deep Learning with OpenCV 4
14 godzinSzkolenie 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.
Deep Learning for Vision with Caffe
21 godzinCaffe 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
Computer Vision with Python
14 godzinWizja 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
Deep Learning for Self Driving Cars
21 godzinTo 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.