Wykrywanie obiektów w czasie rzeczywistym z YOLO - Plan Szkolenia

CANN SDK (Compute Architecture for Neural Networks) oferuje potężne narzędzia do wdrażania i optymalizacji aplikacji AI w czasie rzeczywistym w dziedzinie przetwarzania obrazu i języka naturalnego, szczególnie na sprzęcie Huawei Ascend.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do praktyków AI na poziomie średniozaawansowanym, którzy chcą budować, wdrażać i optymalizować modele wizyjne i językowe przy użyciu CANN SDK w przypadkach użycia produkcyjnego.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Wdrażać i optymalizować modele CV i NLP przy użyciu CANN i AscendCL.
• Korzystać z narzędzi CANN do konwersji modeli i integrowania ich w potoki produkcyjne.
• Optymalizować wydajność wnioskowania dla zadań takich jak detekcja, klasyfikacja i analiza sentymentu.
• Budować potoki CV/NLP w czasie rzeczywistym dla scenariuszy wdrażania na krawędzi lub w chmurze.

Format kursu

• Interaktywny wykład i demonstracja.
• Praktyczne laboratorium z wdrażaniem modeli i profilowaniem wydajności.
• Projektowanie potoków w czasie rzeczywistym na podstawie rzeczywistych przypadków użycia CV i NLP.

Opcje dostosowania kursu

• Aby zamówić dostosowane szkolenie, skontaktuj się z nami w celu uzgodnienia szczegółów.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do programistów AI na poziomie średniozaawansowanym oraz inżynierów przetwarzania obrazu, którzy chcą budować solidne systemy wizyjne dla aplikacji związanych z autonomiczną jazdą.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje przetwarzania obrazu w pojazdach autonomicznych.
• Implementować algorytmy do wykrywania obiektów, pasów ruchu i segmentacji semantycznej.
• Integrować systemy wizyjne z innymi podsystemami pojazdów autonomicznych.
• Stosować techniki uczenia głębokiego do zaawansowanych zadań percepcji.
• Oceniać wydajność modeli przetwarzania obrazu w rzeczywistych scenariuszach.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu), skierowane jest do profesjonalistów na zaawansowanym poziomie, którzy chcą pogłębić swoją wiedzę na temat computer vision i poznać możliwości TensorFlow w zakresie tworzenia zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Budować i trenować konwolucyjne sieci neuronowe (CNNs) przy użyciu TensorFlow.
• Wykorzystywać Google Colab do skalowalnego i efektywnego rozwoju modeli w chmurze.
• Stosować techniki wstępnego przetwarzania obrazów do zadań computer vision.
• Wdrażać modele computer vision do rzeczywistych zastosowań.
• Wykorzystywać transfer learning, aby poprawić wydajność modeli CNN.
• Wizualizować i interpretować wyniki modeli klasyfikacji obrazów.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do inżynierów przetwarzania obrazów na poziomie średniozaawansowanym i zaawansowanym, programistów AI oraz profesjonalistów IoT, którzy chcą wdrażać i optymalizować modele przetwarzania obrazów do przetwarzania w czasie rzeczywistym na urządzeniach brzegowych.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy Edge AI i jego zastosowania w przetwarzaniu obrazów.
• Wdrażać zoptymalizowane modele uczenia głębokiego na urządzeniach brzegowych 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 niskich opóźnień w inferencji.

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

Pod koniec tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy sztucznej inteligencji i uczenia maszynowego.
• Poznać podstawy cyfrowego przetwarzania obrazów i ich zastosowanie w rozpoznawaniu twarzy.
• Rozwinąć umiejętności korzystania z narzędzi i frameworków AI do tworzenia modeli rozpoznawania twarzy.
• Zdobyć praktyczne doświadczenie w tworzeniu, trenowaniu i testowaniu systemów rozpoznawania twarzy.
• Zrozumieć kwestie etyczne i najlepsze praktyki w zakresie stosowania technologii rozpoznawania twarzy.

Fiji is a powerful open-source image processing package that bundles ImageJ (a program designed for scientific multidimensional images) along with a comprehensive suite of plugins for scientific image analysis.

In this instructor-led, live training, participants will learn how to leverage the Fiji distribution and its underlying ImageJ program to create robust image analysis applications.

By the end of this training, participants will be able to:

• Use Fiji's advanced programming features and software components to extend ImageJ capabilities
• Stitch large 3D images from overlapping tiles
• Automate the update of a Fiji installation on startup using the integrated update system
• Select from a broad selection of scripting languages to build custom image analysis solutions
• Utilize Fiji's powerful libraries, such as ImgLib, to process large bioimage datasets efficiently
• Deploy applications and collaborate effectively with other scientists on similar projects

Format of the Course

• Interactive lecture and discussion
• Extensive exercises and practical application
• Hands-on implementation in a live-lab environment

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) skierowane jest 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.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Poruszać się po interfejsie Fiji i korzystać z podstawowych funkcji ImageJ.
• Przetwarzać i poprawiać jakość obrazów naukowych w celu lepszej analizy.
• Analizować obrazy ilościowo, w tym liczenie komórek i pomiar powierzchni.
• Automatyzować powtarzalne zadania za pomocą makr i wtyczek.
• Dostosowywać przepływy pracy do specyficznych potrzeb analizy obrazów w badaniach biologicznych.

OpenCV (Open Source Computer Vision Library: http://opencv.org) to biblioteka open-source na licencji BSD, która zawiera kilkaset algorytmów przetwarzania obrazu.

Grupa docelowa

Kurs skierowany jest do inżynierów i architektów, którzy chcą wykorzystać OpenCV w projektach związanych z przetwarzaniem obrazu.

To szkolenie prowadzone przez instruktora na żywo w Polsce (online lub na miejscu) jest skierowane do inżynierów oprogramowania, którzy chcą programować w Pythonie z wykorzystaniem OpenCV 4 do głębokiego uczenia.

Po zakończeniu szkolenia uczestnicy będą mogli:

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

Dopasowanie wzorców to technika używana do lokalizowania określonych wzorców w obrazie. Może być stosowana do określenia istnienia określonych cech w przechwyconym obrazie, na przykład oczekiwanej etykiety na wadliwym produkcie na linii produkcyjnej lub określonych wymiarów komponentu. Różni się od „Rozpoznawania wzorców” (które rozpoznaje ogólne wzorce na podstawie większych zbiorów powiązanych próbek) tym, że konkretnie określa, czego szukamy, a następnie informuje nas, czy oczekiwany wzorzec istnieje, czy nie.

Format kursu

• Ten kurs wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w kontekście Wizji Maszynowej.

Wizja komputerowa to dziedzina zajmująca się automatycznym wyodrębnianiem, analizą i interpretacją użytecznych informacji z mediów cyfrowych. Python to język programowania wysokiego poziomu, znany z przejrzystej składni i czytelności kodu.

Podczas tego szkolenia prowadzonego przez instruktora, uczestnicy poznają podstawy wizji komputerowej, tworząc zestaw prostych aplikacji wykorzystujących Python.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy wizji komputerowej
• Wykorzystywać Pythona do realizacji zadań związanych z wizją komputerową
• Tworzyć własne systemy wykrywania twarzy, obiektów i ruchu

Grupa docelowa

• Programiści Python zainteresowani wizją komputerową

Format kursu

• Część wykładowa, dyskusje, ćwiczenia i intensywna praktyka

SimpleCV to otwarta platforma — co oznacza, że jest to zbiór bibliotek i oprogramowania, których możesz użyć do tworzenia aplikacji wizyjnych. Pozwala ona pracować z obrazami lub strumieniami wideo pochodzącymi z kamer internetowych, Kinectów, kamer FireWire i IP oraz telefonów komórkowych. Pomaga tworzyć oprogramowanie, które sprawia, że różne technologie nie tylko widzą świat, ale również go rozumieją.

Grupa docelowa

Kurs jest skierowany do inżynierów i programistów, którzy chcą tworzyć aplikacje do przetwarzania obrazu z wykorzystaniem SimpleCV.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do profesjonalistów na poziomie średniozaawansowanym, którzy chcą używać Vision Builder AI do projektowania, wdrażania i optymalizacji zautomatyzowanych systemów inspekcji dla procesów SMT (Surface-Mount Technology).

Po zakończeniu szkolenia uczestnicy będą w stanie:

• Konfigurować i ustawiać zautomatyzowane inspekcje przy użyciu Vision Builder AI.
• Pozyskiwać i przetwarzać wysokiej jakości obrazy do analizy.
• Wdrażać decyzje oparte na logice do wykrywania wad i walidacji procesów.
• Generować raporty z inspekcji i optymalizować wydajność systemu.

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.