Computer Vision Training in Muntenia

Această formare live, guițată de un instrucțurator în Muntenia (online sau pe locațiune) se adresează inginerilor la nivel mediu și avansat de vision pe computer, dezvoltatorilor AI și profesionalii IoT care dorește să implementeze și să optimizeze modele de vision pe computer pentru procesarea în timp real pe dispozitive de bord.

La sfârșitul acestei forme de instruire, participanții vor putea:

• Comprende fundamentele AI la bord și aplicațiile sale în domeniul visionului pe computer.
• Implementa modele de învățare profundă optimize pentru dispozitivele de bord, pentru analiza timp real a imaginilor și videoelor.
• Folosi cadre precum TensorFlow Lite, OpenVINO și NVIDIA Jetson SDK pentru implementarea modelului.
• Optimiza modelele AI pentru performanță, eficiența energetică și inferențe cu latitudine scăzută.

Acest curs în directie (online sau presenzial) este destinat profesionistilor avansați care doresc să adâncească cunoștințele lor despre viziunea computerizată și să exploreze capacitățile TensorFlow pentru dezvoltarea de modele vizual complexe folosind Google Colab.

La sfârșitul acestui training, participanții vor putea:

• Construi și antrena rețele neuronale convolutionale (CNNs) folosind TensorFlow.
• Exploata Google Colab pentru dezvoltarea de modele bazată pe cloud, scalabilă și eficientă.
• Implementa tehnici de preprocesare a imaginilor pentru sarcinile de viziune computerizată.
• Deploy-a modelele de viziune computerizată pentru aplicatii din viata reala.
• Folosi învățarea transferului pentru a îmbunătăți performanța modelelor CNN.
• Visualiza și interpreta rezultatele modelelor de clasificare a imaginilor.

SDK-ul CANN (Arhitectură de Calcul pentru Neural Networks) oferă instrumente puternice de implementare și optimizare pentru aplicațiile AI în timp real din domeniul visionului computerizat și NLP, în special pe hardware Huawei Ascend.

Acest training sub conducerea unui instruire (în mod online sau presenzial) este destinat practicionerilor intermediari de IA care doresc să construiască, implementeze și optimizzeze modele CV și NLP folosind SDK-ul CANN pentru scenarii de utilizare în producție.

La finalul acestui training, participanții vor putea:

• Implementa și optimiza modele CV și NLP folosind CANN și AscendCL.
• Utiliza instrumentele CANN pentru a converti modelele și să le integreze în pipeline-uri live.
• Optimiza performanța inferenței pentru sarcini precum detectare, clasificare și analiză de sentiment.
• Construi pipeline-uri CV/NLP în timp real pentru scenarii de implementare la bord sau pe cloud.

Format al cursului

• Lectură interactivă și demonstrație.
• Laborator practic cu implementarea modelelor și profilarea performanței.
• Design de pipeline live folosind exemple reale din CV și NLP.

Opțiuni pentru personalizare a cursului

• Pentru a solicita un training personalizat pentru acest curs, vă rugăm să ne contactați pentru a organiza.

Această instruire condusă de instructor, live, în Muntenia (online sau pe loc) este destinată dezvoltatorilor AI intermediari și inginerilor de computer vision care doresc să construiască sisteme de vizion robuste pentru aplicații de conduire autonomă.

La finalul acestei instrueri, participanții vor putea:

• Înțelege conceptele fundamentale ale computer vision în vehiculele autonome.
• Implementa algoritmi pentru detectarea obiectelor, detectarea benzilor și segmentarea semantică.
• Integra sistemele de vizion cu alte sub sisteme ale vehiculelor autonome.
• Aplica tehnici de învățare adâncă pentru sarcini avansate de percepție.
• Evalua performanța modelelor de computer vision în scenarii din lumea reală.

Această formare live, guițată de un instrucțurator în Muntenia (online sau pe locațiune), se adresează personalului de forțe de ordine la nivel de începător care dorește să treacă de la traseul manual al portretelor cu caracteristicile faciale la utilizarea unor instrumente AI pentru dezvoltarea sistemelor de recunoaștere a fețelor.

La sfârșitul acestei forme, participanții vor putea:

• Să înțeleagă fundamentele Inteligenței Artificiale și Aprenderea Automată.
• Să învețe bazele procesării imaginilor digitale și aplicațiile sale în recunoașterea facială.
• Să dezvolte abilități în utilizarea instrumentelor și cadrelor AI pentru crearea modelelor de recunoaștere a fețelor.
• Să obțină experiență practică în crearea, antrenamentul și testarea sistemelor de recunoaștere facială.
• Să înțeleagă considerentele etice și cele mai bune practici în utilizarea tehnologiei de recunoaștere a fețelor.

Această formare live, condusă de un instrucțtor (online sau pe locațiune), se adresează cercetătorilor și profesionalistului laborator aflat la nivelul începător până la intermediar care doresc să proceseze și să analizeze imagini legate de tisssue istorice, celule sanguine, algie și alte probe biologice.

La sfârșitul formării, participanții vor fi în măsură să:

• navigheze în interfața Fiji și utilizeze funcțiile de bază ale ImageJ.
• preproceseze și îmbunătățească imagini științifice pentru o analiză mai bună.
• analyseze imagini cuanticativ, inclusiv numărarea celulară și măsurarea ariilor.
• automate task-uri repetitive folosind macrouri și plugin-uri.
• personalizeze fluxurile de lucru pentru nevoile specifice de analiză a imaginilor în cercetarea biologică.

Acest training în direct de instruire (online sau pe locație) este destinat profesionistilor intermediari care doresc să folosească Vision Builder AI pentru a concepe, implementa și optimiza sistemele automate de inspecții pentru procesele SMT (Surface-Mount Technology).

La sfârșitul acestui training, participanții vor putea:

• Să configureze și să seteze inspecțiile automate folosind Vision Builder AI.
• Să obțină și să preproceseze imagini de calitate ridicată pentru analiză.
• Să implementeze decizii bazate pe logică pentru detectarea defectelor și validarea procesului.
• Să genereze rapoarte de inspecție și să optimizeze performanța sistemului.

Această instruire condusă de instructor (online sau pe loc) este destinată dezvoltatorilor, cercetătorilor și specialistilor în știința datelor cu nivel mediu până la avansat care doresc să învețe cum să implementeze detectarea obiectelor în timp real folosind YOLOv7.

La finalul acestei instruirii, participanții vor putea:

• Înțelege conceptele fundamentale ale detectării obiectelor.
• Instala și configura YOLOv7 pentru sarcini de detecție a obiectelor.
• Antrena și testa modele personalizate de detecție a obiectelor folosind YOLOv7.
• Integra YOLOv7 cu alte cadre și instrumente de vizualizare computațională.
• Soluționa problemele comune legate de implementarea YOLOv7.

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

Fiji este un pachet open-source de procesare a imaginilor care include ImageJ (un program de procesare a imaginilor pentru imagini științifice multidimensionale) și o serie de plugin-uri pentru analiza imaginilor științifice.

În cadrul acestui curs de formare live, condus de un instructor, participanții vor învăța cum să utilizeze distribuția Fiji și programul ImageJ care stă la baza acesteia pentru a crea o aplicație de analiză a imaginilor.

Până la sfârșitul acestui curs, participanții vor fi capabili să:

• Să utilizeze caracteristicile avansate de programare și componentele software ale Fiji pentru a extinde ImageJ
• să coaseze imagini 3d mari din plăci suprapuse
• Să actualizeze automat o instalare Fiji la pornire utilizând sistemul de actualizare integrat
• Selectați dintr-o gamă largă de limbaje de scripting pentru a crea soluții personalizate de analiză a imaginilor
• Utilizarea bibliotecilor puternice Fiji, cum ar fi ImgLib pe seturi mari de date de bioimagini
• Să își implementeze aplicația și să colaboreze cu alți oameni de știință pe proiecte similare

Formatul cursului

• Prelegere și discuții interactive.
• O mulțime de exerciții și practică.
• Implementare practică într-un mediu live-lab.

Opțiuni de personalizare a cursului

• Pentru a solicita o instruire personalizată pentru acest curs, vă rugăm să ne contactați pentru a aranja.

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

Audiență

Acest curs se adresează inginerilor și arhitecților care doresc să utilizeze OpenCV pentru proiecte de computer vision

Această instruire live, condusă de un instructor în Muntenia (online sau la fața locului) se adresează inginerilor software care doresc să programeze în Python cu OpenCV 4 pentru deep learning.

Până la sfârșitul acestui training, participanții vor fi capabili să:

• Vizualizați, încărcați și clasificați imagini și videoclipuri utilizând OpenCV 4.
• Să implementeze învățarea profundă în OpenCV 4 cu TensorFlow și Keras.
• Să ruleze modele de învățare profundă și să genereze rapoarte cu impact din imagini și videoclipuri.

OpenFace este Python și Torch un software de recunoaștere facială în timp real, open-source, bazat pe cercetarea FaceNet a Google.

În cadrul acestei formări live cu instructor, participanții vor învăța cum să utilizeze componentele OpenFace pentru a crea și implementa un exemplu de aplicație de recunoaștere facială.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să lucreze cu componentele OpenFace, inclusiv dlib, OpenVC, Torch, și nn4 pentru a implementa detectarea, alinierea și transformarea feței
• Să aplice OpenFace în aplicații din lumea reală, cum ar fi supravegherea, verificarea identității, realitatea virtuală, jocurile și identificarea clienților fideli etc.

Audiență

• Dezvoltatori
• Oameni de știință în domeniul datelor

Formatul cursului

• Parte prelegere, parte discuție, exerciții și multă practică

Pattern Matching este o tehnică utilizată pentru a localiza modele specifice în cadrul unei imagini. Aceasta poate fi utilizată pentru a determina existența unor caracteristici specifice în cadrul unei imagini capturate, de exemplu eticheta așteptată pe un produs defect într-o linie de fabricație sau dimensiunile specificate ale unei componente. Este diferită de "Pattern Recognition" (care recunoaște modele generale bazate pe colecții mai mari de eșantioane înrudite) prin faptul că dictează în mod specific ceea ce căutăm, apoi ne spune dacă modelul așteptat există sau nu.

Formatul cursului

• Acest curs prezintă abordările, tehnologiile și algoritmii utilizați în domeniul potrivirii modelelor, așa cum se aplică la Machine Vision.

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:

• Înțelege bazele Computer Vision
• Utiliza Python pentru a implementa sarcini Computer Vision
• Construi propriile sisteme de detectare a fețelor, obiectelor și a mișcării

Public

• Programatori Python interesați de Computer Vision

Formatul cursului

• Parțial prelegere, parțial discuție, exerciții și practică intensivă

Această instruire live, susținută de un instructor, prezintă software-ul, hardware-ul și procesul pas cu pas necesar pentru a construi un sistem de recunoaștere facială de la zero. Recunoașterea facială este cunoscută și ca Face Recognition.

Hardware-ul utilizat în acest laborator include Rasberry Pi, un modul de cameră, servomotoare (opțional), etc. Participanții sunt responsabili pentru achiziționarea acestor componente ei înșiși. Software-ul utilizat include OpenCV, Linux, Python, etc.

La sfârșitul acestui curs, participanții vor fi capabili să:

• Să instaleze Linux, OpenCV și alte utilitare și biblioteci software pe un Rasberry Pi.
• Să configureze OpenCV pentru a capta și detecta imagini faciale.
• Să înțeleagă diferitele opțiuni de ambalare a unui sistem Rasberry Pi pentru utilizarea în medii reale.
• Adaptarea sistemului pentru o varietate de cazuri de utilizare, inclusiv supraveghere, verificarea identității etc.

Formatul cursului

• Parte prelegere, parte discuție, exerciții și practică practică intensă

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.

SimpleCV este un cadru open source - ceea ce înseamnă că este o colecție de biblioteci și software pe care le puteți utiliza pentru a dezvolta aplicații de viziune. Acesta vă permite să lucrați cu imagini sau fluxuri video care provin de la camere web, Kinects, camere FireWire și IP sau telefoane mobile. Vă ajută să creați software pentru ca diversele dvs. tehnologii nu doar să vadă lumea, ci și să o înțeleagă.

Audiență

Acest curs se adresează inginerilor și dezvoltatorilor care doresc să dezvolte aplicații de computer vision cu SimpleCV.

Acest curs de instruire live, condus de un instructor în Muntenia (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.
.