Szkolenia Computer Vision w Toruń

To prowadzone przez instruktora szkolenie na żywo w Toruń (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych inżynierów wizji komputerowej, programistów AI i specjalistów IoT, którzy chcą wdrożyć i zoptymalizować modele wizji komputerowej do przetwarzania w czasie rzeczywistym na urządzeniach brzegowych.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawy Edge AI i jego zastosowania w wizji komputerowej.
• Wdrożyć zoptymalizowane modele głębokiego uczenia się na urządzeniach brzegowych do analizy obrazu i wideo w czasie rzeczywistym.
• Używać frameworków takich jak TensorFlow Lite, OpenVINO i NVIDIA Jetson SDK do wdrażania modeli.
• Optymalizacja modeli AI pod kątem wydajności, energooszczędności i wnioskowania o niskich opóźnieniach.

To prowadzone przez instruktora szkolenie na żywo w Toruń (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą pogłębić swoją wiedzę na temat wizji komputerowej i poznać możliwości TensorFlow w zakresie opracowywania zaawansowanych modeli wizyjnych przy użyciu Google Colab.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Budować i trenować konwolucyjne sieci neuronowe (CNN) przy użyciu TensorFlow.
• Wykorzystać Google Colab do skalowalnego i wydajnego rozwoju modeli opartych na chmurze.
• Wdrażać techniki wstępnego przetwarzania obrazu dla zadań wizji komputerowej.
• Wdrażanie modeli wizji komputerowej do rzeczywistych zastosowań.
• Wykorzystanie uczenia transferowego w celu zwiększenia wydajności modeli CNN.
• Wizualizacja i interpretacja wyników modeli klasyfikacji obrazów.

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.

To prowadzone przez instruktora szkolenie na żywo w Toruń (na miejscu lub zdalnie) jest przeznaczone dla początkujących pracowników organów ścigania, którzy chcą przejść od ręcznego szkicowania twarzy do korzystania z narzędzi AI do opracowywania systemów rozpoznawania twarzy.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawy sztucznej inteligencji i Machine Learning.
• Poznanie podstaw cyfrowego przetwarzania obrazu i jego zastosowania w rozpoznawaniu twarzy.
• Rozwijać umiejętności korzystania z narzędzi i frameworków AI do tworzenia modeli rozpoznawania twarzy.
• Zdobycie praktycznego doświadczenia w tworzeniu, szkoleniu i testowaniu systemów rozpoznawania twarzy.
• Zrozumienie kwestii etycznych i najlepszych praktyk w zakresie korzystania z technologii rozpoznawania twarzy.

To prowadzone przez instruktora szkolenie na żywo w Toruń (online lub na miejscu) jest przeznaczone dla początkujących i średnio zaawansowanych naukowców i specjalistów laboratoryjnych, którzy chcą przetwarzać i analizować obrazy związane z tkankami histologicznymi, komórkami krwi, algami i innymi próbkami biologicznymi.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Poruszać się po interfejsie Fiji i korzystać z podstawowych funkcji ImageJ.
• Wstępnie przetwarzać i ulepszać obrazy naukowe w celu lepszej analizy.
• Analizować obrazy ilościowo, w tym liczenie komórek i pomiar powierzchni.
• Automatyzacja powtarzalnych zadań przy użyciu makr i wtyczek.
• Dostosuj przepływy pracy do konkretnych potrzeb analizy obrazu w badaniach biologicznych.

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