Szkolenia Computer Vision

Caffe to głęboka struktura uczenia się stworzona z myślą o ekspresji, szybkości i modułowości.

Ten kurs omawia zastosowanie Caffe as a Deep do nauki rozpoznawania obrazów za pomocą MNIST jako przykładu

Publiczność

Ten kurs jest odpowiedni dla naukowców i inżynierów Deep Learning zainteresowanych wykorzystaniem Caffe jako ramy.

Po ukończeniu tego kursu delegaci będą mogli:

- rozumiem strukturę i mechanizmy wdrażania Caffe
- wykonać zadania i konfigurację środowiska instalacji / produkcji / architektury
- ocenić jakość kodu, przeprowadzić debugowanie, monitorowanie
- wdrożyć zaawansowaną produkcję, taką jak modele treningowe, wdrażanie warstw i rejestrowanie

Marvin to rozszerzalna, wieloplatformowa, open-source'owa struktura przetwarzania obrazu i wideo opracowana w Java . Programiści mogą używać Marvin do manipulowania obrazami, wyodrębniania cech z obrazów do zadań klasyfikacyjnych, generowania algorytmów danych, przetwarzania zbiorów danych z plików wideo i konfigurowania automatyzacji testów jednostkowych.

Niektóre aplikacje wideo Marvin obejmują filtrowanie, rozszerzoną rzeczywistość, 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 skonstruowania własnej aplikacji.

Format kursu

- Po raz pierwszy wprowadzono podstawowe zasady analizy obrazu, analizy wideo i Marvin Framework. Uczniowie otrzymują zadania projektowe, które pozwalają im ćwiczyć poznane koncepcje. Pod koniec zajęć uczestnicy opracują własną aplikację przy użyciu Marvin Framework i bibliotek.

OpenCV (Open Source Computer Vision Library: http://opencv.org) jest biblioteką licencjonowaną na licencji BSD o otwartym kodzie źródłowym, zawierającą kilkaset algorytmów wizyjnych.

Publiczność

Ten kurs jest skierowany do inżynierów i architektów, którzy chcą wykorzystać OpenCV do projektów wizji komputerowych

Dopasowywanie wzorców to technika używana do lokalizowania określonych wzorów w obrazie. Można go użyć do określenia istnienia określonych cech w przechwyconym obrazie, na przykład oczekiwanej etykiety na wadliwym produkcie w linii produkcyjnej lub określonych wymiarach elementu. Inaczej niż w przypadku „ Pattern Recognition ” (które rozpoznaje ogólne wzorce oparte na większych zbiorach powiązanych próbek), ponieważ wyraźnie dyktuje to, czego szukamy, a następnie informuje nas, czy oczekiwany wzór istnieje, czy nie.

Format kursu

- Ten kurs wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision .

Computer Vision to dziedzina, która polega na automatycznym wyodrębnianiu, analizowaniu i zrozumieniu użytecznych informacji z mediów cyfrowych Python to język programowania wysokiego poziomu znany ze swojej czytelnej składni i czytelności kodu W tym instruktażowym szkoleniu na żywo uczestnicy poznają podstawy Computer Vision, ponieważ przechodzą przez tworzenie zestawu prostych aplikacji Computer Vision wykorzystujących Python Pod koniec tego szkolenia uczestnicy będą mogli: Zapoznaj się z podstawami Computer Vision Użyj Pythona do implementacji zadań Computer Vision Zbuduj własne systemy wykrywania twarzy, obiektów i ruchu Publiczność Programiści Pythona zainteresowani Computer Vision Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson .

To instruktażowe szkolenie na żywo wprowadza oprogramowanie, sprzęt i proces stepbystep potrzebny do zbudowania systemu rozpoznawania twarzy od zera Rozpoznawanie twarzy jest również znane jako Rozpoznawanie twarzy Sprzęt używany w tym laboratorium obejmuje Rasberry Pi, moduł kamery, serwa (opcjonalnie), itp Uczestnicy są odpowiedzialni za kupowanie tych komponentów samodzielnie Używane oprogramowanie obejmuje OpenCV, Linux, Python itp Pod koniec tego szkolenia uczestnicy będą mogli: Zainstaluj Linux, OpenCV i inne programy narzędziowe i biblioteki na Rasberry Pi Skonfiguruj OpenCV do przechwytywania i wykrywania obrazów twarzy Zapoznaj się z różnymi opcjami pakowania systemu Rasberry Pi do użytku w rzeczywistych środowiskach Dostosuj system do różnych zastosowań, w tym do nadzoru, weryfikacji tożsamości itp Publiczność Deweloperzy Technicy sprzętu / oprogramowania Osoby techniczne we wszystkich branżach Hobbiści Format kursu Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka handson Uwaga Inne opcje sprzętu i oprogramowania: Arduino, OpenFace, Windows, itp Jeśli chcesz skorzystać z któregokolwiek z nich, skontaktuj się z nami w celu umówienia się .

Głębokie uczenie się jest dziedziną uczenia maszynowego. Wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.

Keras to interfejs API sieci neuronowych wysokiego poziomu do szybkiego programowania i eksperymentowania. Działa na TensorFlow , CNTK lub Theano.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów, którzy chcą zbudować samochód z własnym napędem, stosując techniki głębokiego uczenia się.

Pod koniec tego szkolenia uczestnicy będą mogli:

- Użyj technik widzenia komputerowego, aby zidentyfikować pasy.
- Użyj Keras do budowy i szkolenia splotowych sieci neuronowych.
- Trenuj model głębokiego uczenia się, aby odróżniać znaki drogowe.
- Symuluj w pełni autonomiczny samochód.

Format kursu

- Interaktywny wykład i dyskusja.
- Dużo ćwiczeń i ćwiczeń.
- Praktyczne wdrożenie w środowisku na żywo.

Opcje dostosowywania kursu

- Aby poprosić o niestandardowe szkolenie dla tego kursu, skontaktuj się z nami w celu umówienia się.

SimpleCV to framework 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, Kinect, FireWire i kamer IP lub telefonów komórkowych. To pomaga budować oprogramowanie, aby różne technologie nie tylko widziały świat, ale także je rozumiały.

Publiczność

Ten kurs jest skierowany do inżynierów i programistów, którzy chcą rozwijać aplikacje wizyjne z SimpleCV.