YOLOv7: Wykrywanie obiektów w czasie rzeczywistym z wykorzystaniem widzenia komputerowego - 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.

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.

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.

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 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 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.

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 framework typu 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.

Odbiorcy

Ten kurs jest skierowany do inżynierów i programistów, którzy chcą rozwijać aplikacje widzenia komputerowego za pomocą 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.

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.