Cursuri de pregatire Computer Vision with SimpleCV

OpenCV (Open Source Computer Vision Library: http://opencv.org) este o bibliotecă open-source cu licență BSD care include câteva sute de algoritmi de computer vision.

Public

Acest curs este destinat inginerilor și arhitecților care doresc să utilizeze OpenCV pentru proiecte de viziune computerizată

Această instruire instruită live introduce programul software, hardware și pasul treptei necesare pentru a construi un sistem de recunoaștere facială de la zero Recunoașterea facială este cunoscută și ca Recunoașterea feței Hardware-ul folosit în acest laborator include Rasberry Pi, un modul de cameră, servo (opțional), etc Participanții sunt responsabili pentru achiziționarea acestor componente Software-ul folosit include OpenCV, Linux, Python, etc Până la sfârșitul acestui curs, participanții vor putea: Instalați Linux, OpenCV și alte utilitare de software și biblioteci pe un Rasberry Pi Configurați OpenCV pentru captarea și detectarea imaginilor faciale Înțelegeți diferitele opțiuni pentru ambalarea unui sistem Rasberry Pi pentru utilizarea în medii reale Adaptați sistemul pentru o varietate de cazuri de utilizare, inclusiv supravegherea, verificarea identității etc Public Dezvoltatori Tehnicieni de hardware / software Persoane fizice din toate industriile hobbyists Formatul cursului Prelegere parte, discuții parțiale, exerciții și practici grele de manevră Notă Alte opțiuni hardware și software includ: Arduino, OpenFace, Windows etc Dacă doriți să utilizați oricare dintre acestea, vă rugăm să ne contactați pentru a aranja .

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează inginerilor de software care doresc să programeze în Python cu OpenCV 4 pentru învățare profundă.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Vizualizați, încărcați și clasificați imagini și videoclipuri folosind OpenCV 4.
.
• Implementați învățarea profundă în OpenCV 4 cu TensorFlow și Keras.
.
• Executați modele de învățare profundă și generați rapoarte de impact din imagini și videoclipuri.

Model Matching este o tehnică folosită pentru a localiza tiparele specificate în cadrul unei imagini. Poate fi utilizat pentru a determina existența unor caracteristici specificate în cadrul unei imagini capturate, de exemplu eticheta așteptată pe un produs defect într-o linie de fabrică sau dimensiunile specificate ale unei componente. Este diferit de „ Pattern Recognition ” (care recunoaște tiparele generale bazate pe colecții mai mari de eșantioane asociate) prin faptul că dictează în mod specific ceea ce căutăm, apoi ne spune dacă modelul așteptat există sau nu.

Formatul cursului

• Acest curs introduce abordările, tehnologiile și algoritmii folosiți în câmpul de potrivire a modelelor, așa cum se aplică la Machine Vision .

Caffe este un cadru de învățare profund făcut în expresie, viteză și modularitate în minte.

Acest curs explorează aplicarea Caffe ca cadru de învățare profundă pentru recunoașterea imaginii folosind MNIST ca exemplu

Public

Acest curs este potrivit pentru cercetătorii de la Deep Learning și pentru inginerii interesați să utilizeze Caffe ca cadru.

După finalizarea acestui curs, delegații vor putea:

• să înțeleagă structura și mecanismele de implementare a lui Caffe
• efectuați sarcinile și configurația mediului de instalare / producție / arhitecturii
• evaluarea calității codului, efectuarea depanării, monitorizarea
• să implementeze producția avansată, cum ar fi modelele de formare, punerea în aplicare a straturilor și logarea

Marvin este o extensibil, Cross-Platform, Open-Source de imagine și de procesare video cadru dezvoltat în Java.   dezvoltatorii pot folosi Marvin pentru a manipula imagini, extrage caracteristici din imagini pentru sarcini de clasificare, generează cifre algoritmic, procesează Seturile de date ale fișierelor video și configurați automatizarea unității de testare.

niște de la Marvin & #39; s vizual cerere a cuprinde filtering, augmentată realitate, obiect Tracking și Deplasare Detection.

în acest instructor-condus, Live curs participanții vor învăța principiile de imagine și video de analiză și de a utiliza Marvin Framework și a imaginii sale algoritmi de procesare pentru a construi propria lor cerere.

format al cursului

• principiile de bază ale analizei imaginilor, analiza video și cadrul Marvin sunt introduse pentru prima dată. Elevilor li se oferă sarcini bazate pe proiecte care le permit să practice conceptele învățate. Până la sfârșitul clasei, participanții își vor fi dezvoltat propria aplicație folosind Marvin Framework și bibliotecile.

Computer Vision este un câmp care implică extragerea, analizarea și înțelegerea automată a informațiilor utile din media digitală. Python este un limbaj de programare la nivel înalt, renumit pentru sintaxa și lizibilitatea codurilor sale.

În cadrul acestui training, instruit în direct, participanții vor învăța elementele de bază ale Computer Vision în timp ce pășesc prin crearea unui set de aplicații simple Computer Vision folosind Python .

Până la sfârșitul acestui antrenament, participanții vor putea:

• Înțelegeți elementele de bază ale viziunii Computer
• Utilizați Python pentru a implementa activități Computer Vision
• Construiți propriile sisteme de detectare a feței, obiectelor și mișcărilor

Public

• Programatorii Python interesați de Computer Vision

Formatul cursului

• Partea de prelegere, o discuție parțială, exerciții și practici practice

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor care doresc să construiască o mașină care se conduce singură folosind tehnici de învățare profundă.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Utilizați Keras pentru a construi și antrena o rețea neuronală convoluțională.
• Utilizați tehnici de viziune pe calculator pentru a identifica benzile de circulație într-un proiect de conducere autonomă.
.
• Antrenați un model de învățare profundă pentru a diferenția semnele de circulație.
• Simulați o mașină complet autonomă.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor care doresc să construiască modele de detectare și urmărire a obiectelor accelerate de hardware pentru a analiza datele video în flux.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați mediul de dezvoltare, software-ul și bibliotecile necesare pentru a începe dezvoltarea.
.
• Construiți, antrenați și implementați modele de învățare profundă pentru a analiza fluxurile video în direct.
.
• Identificați, urmăriți, segmentați și preziceți diferite obiecte în cadrul cadrelor video.
.
• Optimizați modelele de detectare și urmărire a obiectelor.
.
• Desfășurați o aplicație de analiză video inteligentă (IVA).
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor de back-end și oamenilor de știință care doresc să încorporeze modele YOLO pre-antrenate în programele lor orientate spre întreprindere și să implementeze componente rentabile pentru detectarea obiectelor.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Instalați și configurați instrumentele și bibliotecile necesare pentru detectarea obiectelor folosind YOLO.
.
• Personalizați Python aplicații în linie de comandă care funcționează pe baza modelelor pre-antrenate YOLO.
.
• Implementați cadrul modelelor YOLO preinstruite pentru diverse proiecte de viziune computerizată.
.
• Convertiți seturile de date existente pentru detectarea obiectelor în format YOLO.
• Înțelegeți conceptele fundamentale ale algoritmului YOLO pentru viziunea computerizată și/sau învățarea profundă.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor, cercetătorilor și oamenilor de știință din domeniul datelor de nivel intermediar și avansat care doresc să învețe cum să implementeze detectarea obiectelor în timp real folosind YOLOv7.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Înțelegeți conceptele fundamentale de detectare a obiectelor.
• Instalați și configurați YOLOv7 pentru sarcinile de detectare a obiectelor.
.
• Învățați și testați modele personalizate de detectare a obiectelor folosind YOLOv7.
.
• Integrați YOLOv7 cu alte cadre și instrumente de viziune computerizată.
.
• Rezolvați problemele comune legate de implementarea YOLOv7.
.

Aceasta este o introducere de 5 zile în Data Science și AI.

Cursul se livrează cu exemple și exerciții cu Python

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează specialiștilor în marketing care doresc să utilizeze inteligența artificială pentru a îmbunătăți strategiile de marketing digital prin intermediul unor informații valoroase despre clienți.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Utilizați software-ul AI pentru a îmbunătăți modul în care brandurile se conectează cu utilizatorii.
• Utilizați chatbots pentru a optimiza experiența utilizatorului.
• Creșteți productivitatea și veniturile prin automatizarea sarcinilor.
.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează managerilor și liderilor de afaceri care doresc să învețe despre elementele de bază ale inteligenței artificiale și să gestioneze proiecte de inteligență artificială pentru organizația lor.

La finalul acestui curs, participanții vor fi capabili să înțeleagă inteligența artificială la nivel tehnic și să elaboreze strategii care să utilizeze datele și resursele organizației lor pentru a gestiona cu succes proiectele de inteligență artificială.

Acest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează inginerilor care doresc să programeze și să creeze roboți prin metode de bază de inteligență artificială.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Implementați filtre (Kalman și particule) pentru a permite robotului să localizeze obiectele în mișcare în mediul său.
.
• Implementați algoritmi de căutare și planificare a mișcării.
.
• Implementați comenzile PID pentru a regla mișcarea robotului în cadrul unui mediu.
.
• Implementați algoritmi SLAM pentru a permite unui robot să cartografieze un mediu necunoscut.
.