Szkolenia Computer Vision w Radom

Szkolenie prowadzone przez instruktora w Radom (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 formie Radom (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.

SDK CANN (architektura obliczeniowa dla Neural Networks) zapewnia potężne narzędzia do wdrażania i optymalizacji aplikacji AI w czasie rzeczywistym w dziedzinie komputerowego widzenia i NLP, szczególnie na sprzęcie Huawei Ascend.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do praktyków AI na poziomie średnim, którzy chcą budować, wdrażać i optymalizować modele wizji i języka za pomocą SDK CANN do scenariuszy produkcyjnych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Wdrażać i optymalizować modele CV i NLP za pomocą CANN i AscendCL.
• Korzystać z narzędzi CANN do konwertowania modeli i ich integracji w żywe pipeline.
• Optymalizować wydajność inferencji dla zadań takich jak detekcja, klasyfikacja i analiza sentymentu.
• Budować pipeline CV/NLP w czasie rzeczywistym dla scenariuszy wdrażania na krawędzi lub w chmurze.

Format kursu

• Interaktywne wykłady i demonstracje.
• Ćwiczenia laboratoryjne z wdrażaniem modeli i profilowaniem wydajności.
• Projektowanie żywych pipeline za pomocą rzeczywistych scenariuszy CV i NLP.

Opcje dostosowywania kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, skontaktuj się z nami w celu uzgodnień.

To prowadzone przez instruktora, interaktywne szkolenie (online lub stacjonarne) skierowane jest do programistów AI i inżynierów wizji komputerowej na poziomie średnio zaawansowanym, którzy chcą tworzyć solidne systemy wizyjne do zastosowań w autonomicznych pojazdach.

Po ukończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje wizji komputerowej w pojazdach autonomicznych.
• Zaimplementować algorytmy do wykrywania obiektów, wykrywania pasów ruchu i segmentacji semantycznej.
• Zintegrować systemy wizyjne z innymi podsystemami pojazdów autonomicznych.
• Zastosować techniki głębokiego uczenia się do zaawansowanych zadań percepcji.
• Oceniać wydajność modeli wizji komputerowej w scenariuszach rzeczywistych.

Ten szkolenie prowadzone przez instruktora w Radom (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.

To ten prowadzone przez instruktora szkolenie w trybie online lub stacjonarnym jest przeznaczone dla badaczy i profesjonalistów laboratoryjnych o poziomie początkującego do średnio zaawansowanego, którzy chcą przetwarzać i analizować obrazy związane z tkankami histologicznymi, komórkami krwi, glonami i innymi próbkami biologicznymi.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Przejść przez interfejs Fiji i wykorzystać podstawowe funkcje ImageJ.
• Przetwarzać i poprawiać obrazy naukowe 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.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu w Radom, 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.

To prowadzone przez instruktora szkolenie na żywo w Radom (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych programistów, badaczy i naukowców zajmujących się danymi, którzy chcą dowiedzieć się, jak zaimplementować wykrywanie obiektów w czasie rzeczywistym za pomocą YOLOv7.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawowe koncepcje wykrywania obiektów.
• Zainstalować i skonfigurować YOLOv7 do zadań wykrywania obiektów.
• Trenować i testować niestandardowe modele wykrywania obiektów za pomocą YOLOv7.
• Zintegrować YOLOv7 z innymi platformami i narzędziami wizji komputerowej.
• Rozwiązywanie typowych problemów związanych z implementacją YOLOv7.

Caffe 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

Uczestnicy

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

Fiji to pakiet do przetwarzania obrazów typu open source, który zawiera ImageJ (program do przetwarzania obrazów dla naukowych 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.

Pod koniec tego szkolenia uczestnicy będą mogli

• Korzystać z zaawansowanych funkcji programistycznych Fiji i komponentów oprogramowania w celu rozszerzenia ImageJ
• Zszywać duże obrazy 3D z nakładających się płytek
• Automatycznie aktualizować instalację Fiji podczas uruchamiania przy użyciu zintegrowanego systemu aktualizacji
• Wybierać spośród szerokiej gamy języków skryptowych do tworzenia niestandardowych rozwiązań do analizy obrazu
• Korzystanie z potężnych bibliotek Fiji, takich jak ImgLib na dużych zbiorach danych bioobrazów
• Wdrożyć swoją aplikację i współpracować z innymi naukowcami nad podobnymi projektami.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

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 Radom (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.

OpenFace to Python i Torch oparte na otwartym oprogramowaniu do rozpoznawania twarzy w czasie rzeczywistym, oparte na badaniach FaceNet firmy Google.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać komponentów OpenFace do tworzenia i wdrażania przykładowej aplikacji do rozpoznawania twarzy.

Pod koniec tego szkolenia uczestnicy będą mogli

• Pracować z komponentami OpenFace, w tym dlib, OpenVC, Torch i nn4, aby zaimplementować wykrywanie twarzy, wyrównanie i transformację.
• Zastosować OpenFace do rzeczywistych zastosowań, takich jak nadzór, weryfikacja tożsamości, rzeczywistość wirtualna, gry i identyfikacja powtarzających się klientów itp.

Odbiorcy

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

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, 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

• Zrozumieć podstawy Computer Vision
• Używać Python do implementacji zadań Computer Vision
• Zbudować własne systemy wykrywania twarzy, obiektów i ruchu

Uczestnicy

• Programiści Python zainteresowani Computer Vision

Format kursu

• Połączenie wykładów, dyskusji, ćwiczeń i intensywnej praktyki

To 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.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zainstalować Linux, OpenCV i inne oprogramowanie narzędziowe i biblioteki na Rasberry Pi.
• Skonfigurować OpenCV do przechwytywania i wykrywania obrazów twarzy.
• Zrozumieć różne opcje 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 któregokolwiek z nich, skontaktuj się z nami w celu ustalenia szczegółów.

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.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów back-end i analityków danych, którzy chcą włączyć wstępnie wyszkolone modele YOLO do swoich programów korporacyjnych i wdrożyć opłacalne komponenty do wykrywania obiektów.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja niezbędnych narzędzi i bibliotek wymaganych do wykrywania obiektów przy użyciu YOLO.
• Dostosowanie Python aplikacji wiersza poleceń, które działają w oparciu o wstępnie wytrenowane modele YOLO.
• Wdrażanie ram wstępnie wytrenowanych modeli YOLO dla różnych projektów wizji komputerowej.
• Konwersja istniejących zbiorów danych do wykrywania obiektów do formatu YOLO.
• Zrozumienie podstawowych koncepcji algorytmu YOLO dla wizji komputerowej i/lub głębokiego uczenia.