Cursuri de pregatire Hardware-Accelerated Video Analytics
Analiza video se referă la tehnologia și tehnicile utilizate pentru a procesa un flux video. O aplicație comună ar fi captarea și identificarea evenimentelor video live prin detectarea mișcării, recunoașterea feței, mulțimea și numărarea vehiculelor etc.
Această formare directă (online sau on-site) este destinată dezvoltatorilor care doresc să construiască modele de detectare și urmărire a obiectelor accelerate prin hardware pentru a analiza datele video în streaming.
La sfârșitul cursului, participanții vor putea:
- Instalați și configurați mediul de dezvoltare, software-ul și bibliotecile necesare pentru a începe dezvoltarea.
- Construiți, instruiți și implementați modele de învățare profundă pentru a analiza feed-urile video live.
- Identifică, urmărește, segmentă și prezice diferite obiecte în cadrul cadrelor video.
- Optimizează modelele de detecție și urmărire a obiectelor.
- Dezvoltați o aplicație de analiză video inteligentă (IVA).
Formatul cursului
- Lecții și discuții interactive.
- Multe exerciții și practici.
- Implementarea pe mâini într-un mediu live-lab.
Opțiuni de personalizare
- Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.
Schița de curs
Introducere
Înțelegerea metodelor de decodare accelerată hardware
Prezentare generală a NVidia DeepStream SDK
Configurarea mediului de dezvoltare
Pregătirea unui flux video
Prelucrarea unui flux video
Formarea unui model Deep Learning Model
Cum funcționează învățarea prin transfer
Îmbunătățirea acurateței modelului prin învățarea prin transfer
Dezvoltarea unui model de rețea neuronală pentru urmărirea obiectelor în mișcare
Rularea unui motor de inferență de analiză video
Implementarea motorului de inferență
Integrarea unui model Deep Learning cu o aplicație
Implementarea unei aplicații de analiză video inteligentă (IVA)
Monitorizarea aplicației
Optimizarea motorului de inferență și a aplicației
Depanare
Rezumat și concluzii
Cerințe
- O înțelegere a rețelelor neuronale profunde
- Python și experiență de programare în C
Audiență
- Dezvoltatorii
- Științifici de date
Cursurile publice necesita 5+ participanti
Cursuri de pregatire Hardware-Accelerated Video Analytics - Rezervare
Cursuri de pregatire Hardware-Accelerated Video Analytics - Solicita Oferta
Hardware-Accelerated Video Analytics - Cerere de consultanta
Mărturii (2)
Foarte interactiv, cu exemple variate, cu o bună progresie în complexitate între începutul și sfârșitul cursului.
Jenny - Andheo
Curs - GPU Programming with CUDA and Python
Tradus de catre o masina
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Curs - Computer Vision with OpenCV
Upcoming Courses
Cursuri înrudite
GPU Programming with CUDA and Python
14 oreAcest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează dezvoltatorilor care doresc să utilizeze CUDA pentru a construi Python aplicații care rulează în paralel pe GPU-urile NVIDIA.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Utilizați compilatorul Numba pentru a accelera Python aplicațiile care rulează pe GPU-urile NVIDIA. .
- Creați, compilați și lansați nuclee CUDA personalizate. .
- Gestionați memoria GPU. .
- Convertiți o aplicație bazată pe CPU într-o aplicație accelerată de GPU. .
Administration of CUDA
35 oreAcest curs de instruire live, condus de un instructor în România (online sau la fața locului) se adresează administratorilor de sistem și profesioniștilor IT începători care doresc să instaleze, să configureze, să gestioneze și să depaneze mediile CUDA.
La sfârșitul acestui curs de formare, participanții vor putea să:
- Să înțeleagă arhitectura, componentele și capacitățile CUDA.
- Să instaleze și să configureze mediile CUDA.
- Să gestioneze și să optimizeze resursele CUDA.
- să depaneze și să rezolve problemele comune CUDA.
OpenFace: Creating Facial Recognition Systems
14 oreRaspberry Pi + OpenCV for Facial Recognition
21 orePattern Matching
14 oreModel 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 .
Marvin Framework for Image and Video Processing
14 oreMarvin 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.
Scilab
14 orePaddlePaddle
21 oreFiji: Introduction to Scientific Image Processing
21 oreComputer Vision with OpenCV
28 oreOpenCV (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
Python and Deep Learning with OpenCV 4
14 oreAcest 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.
Introduction to Stable Diffusion for Text-to-Image Generation
21 oreAceastă instruire live (online sau la fața locului), condusă de un instructor, se adresează oamenilor de știință, inginerilor de învățare automată și cercetătorilor în domeniul vederii computerizate care doresc să utilizeze Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
-
Înțelegerea principiilor Stable Diffusion și a modului în care funcționează pentru generarea de imagini.
Să construiască și să antreneze modele Stable Diffusion pentru sarcini de generare de imagini.
Să aplice Stable Diffusion în diverse scenarii de generare a imaginilor, cum ar fi inpainting, outpainting și translația imagine-imagine.
Optimizarea performanțelor și a stabilității modelelor Stable Diffusion.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 oreAceastă formare live condusă de un instructor în România (online sau la fața locului) se adresează oamenilor de știință ai datelor de nivel mediu până la avansat, inginerilor de învățare automată, cercetătorilor în învățarea profundă și experților în viziunea computerizată care doresc să-și extindă cunoștințele și abilitățile în învățarea profundă. pentru generarea text-to-image.
Până la sfârșitul acestui training, participanții vor fi capabili să:
- Înțelegeți arhitecturile și tehnicile avansate de deep learning pentru generarea text-to-image. Implementați modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate. Optimizați performanța și scalabilitatea pentru seturi de date mari și modele complexe. Reglați hiperparametrii pentru o performanță mai bună a modelului și o generalizare. Integrați Stable Diffusion cu alte cadre și instrumente de deep learning