Cursuri de pregatire YOLOv7: Detectarea Obiectelor în timp real cu Viziunea Artificială

Caffe este un cadru de învățare adâncă conceput cu exprimarea, viteza și modularitatea în minte.

Acest curs explorează aplicarea Caffe ca framework pentru învățarea adâncă pentru recunoașterea imaginilor folosind MNIST ca exemplu

Public țintă

Acest curs este potrivit pentru cercetătorii și inginerii de învățare adâncă interesați să utilizeze Caffe ca cadru.

După finalizarea acestui curs, participanții vor putea:

• înțelege structura și mecanismele de implementare ale Caffe
• să execute sarcinile legate de instalare / mediu de producție / arhitectură și configurare
• să evalueze calitatea codului, să efectueze depanarea și monitorizarea
• să implementeze producții avansate precum instruirea modelelor, implementarea stratilor și logging-ul

Această instruire condusă de instructor, live, în România (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 instruire live, condusă de un instructor în România (online sau prezent), se adresează profesionistilor la nivel avansat care doresc să-și adâncească înțelegerea computer vision și să exploreze capacitățile TensorFlow pentru dezvoltarea modelelor sofisticate de vizionare folosind Google Colab.

La finalul acestei instruire, participanții vor putea:

• Construi și antrena rețele neuronale convozionale (CNNs) folosind TensorFlow.
• Folosi Google Colab pentru dezvoltarea modelului pe cloud în mod scalabil și eficient.
• Implementa tehnicii de preprocesare a imaginilor pentru sarcinile de computer vision.
• Implementa modele de computer vision pentru aplicații din lumea reală.
• Folosi transferul de învățare pentru a îmbunătăți performanța modelelor CNN.
• Visualiza și interpreteaza rezultatele modelelor de clasificare a imaginilor.

Această formare live, guițată de un instrucțurator în România (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.

Această formare live, guițată de un instrucțurator în România (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.

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.

Această instruire live condusă de instructor în România (online sau la fața locului) este destinate cercetătorilor și profesioniștilor din laborator cu nivel începător până la intermediar, care doresc să proceseze și să analizeze imagini legate de țesuturi histologice, celule de sânge, alge și alte probe biologice.

La sfârșitul acestei instruire, participanții vor fi capabili să:

• Navigheze în interfața Fiji și folosească funcțiile de bază ale ImageJ.
• Preproceseze și îmbunătățească imagini științifice pentru o analiză mai bună.
• Analizeze imaginile în mod cuantitativ, inclusiv numărarea celulelor și măsurarea ariilor.
• Automatizeze sarcinile repetitive folosind macro-uri și plugin-uri.
• Personalizeze fluxurile de lucru pentru nevoile specifice de analiză a imaginilor în cercetarea biologică.

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 România (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.

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.

Viziunea pe Calculator este o domeniu care implică extragerea automată, analiza și înțelegerea informațiilor utile din media digitală. Python este un limbaj de programare de nivel înalt, celebru pentru sintaxa sa clara și pentru citirea codului.

În această instruire condusă de instructor, participanții vor învăța noțiunile de bază ale Viziunii pe Calculator, mergând pas cu pas prin crearea unor aplicații simple de Vizualizare pe Calculator folosind Python.

La sfârșitul acestei instruirilor, participanții vor putea:

• Înțelege noțiunile de bază ale Viziunii pe Calculator
• Folosi Python pentru a implementa sarcini de Vizualizare pe Calculator
• Construi sistemele proprii pentru detectarea fețelor, obiectelor și mișcării

Audiență

• Programatori Python interesați de Viziunea pe Calculator

Formatul cursului

• Poartă parte din prezentare, parte din discuție, exerciții și o practică intensivă

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 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.

Acest training, condus de instrucțiune, în România (online sau pe loc), este destul pentru dezvoltatori backend și științii datelor care doresc să integreze modele YOLO preantrenate în programele lor orientate spre enterprise și să implementeze componente cost eficiente pentru detectarea obiectelor.

La sfârșitul acestui training, participanții vor putea:

• Instala și configura instrumentele și bibliotecile necesare pentru detectarea obiectelor folosind YOLO.
• Personaliza aplicații Python de linie de comandă care funcționează pe baza modelelor preantrenate YOLO.
• Implementa framework-ul modelului preantrenat YOLO pentru diverse proiecte de computer vision.
• Converti seturi de date existente pentru detectarea obiectelor în formatul YOLO.
• Înțelege conceptele fundamentale ale algoritmului YOLO pentru computer vision și/sau deep learning.