Marvin Framework for Image and Video Processing Träningskurs

OpenFace är Python och Torch baserad på ansiktsigenkänningsprogramvara med öppen källkod i realtid baserad på Googles FaceNet-forskning.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder OpenFaces komponenter för att skapa och distribuera ett exempel på ansiktsigenkänningsapplikation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Arbeta med OpenFace-komponenter, inklusive dlib, OpenVC, Torch och nn4 för att implementera ansiktsigenkänning, justering och transformation
• Använd OpenFace på verkliga applikationer som övervakning, identitetsverifiering, virtuell verklighet, spel och identifiering av återkommande kunder, etc.

Publik

• Utvecklare
• Datavetare

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, liveträning introducerar mjukvaran, hårdvaran och steg-för-steg-processen som behövs för att bygga ett ansiktsigenkänningssystem från grunden. Ansiktsigenkänning är också känt som Face Recognition.

Hårdvaran som används i detta labb inkluderar Rasberry Pi, en kameramodul, servon (tillval) etc. Deltagarna ansvarar själva för att köpa in dessa komponenter. Programvaran som används inkluderar OpenCV, Linux, Python etc.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera Linux, OpenCV och andra programverktyg och bibliotek på en Rasberry Pi.
• Konfigurera OpenCV för att fånga och upptäcka ansiktsbilder.
• Förstå de olika alternativen för att förpacka ett Rasberry Pi-system för användning i verkliga miljöer.
• Anpassa systemet för en mängd olika användningsfall, inklusive övervakning, identitetsverifiering etc.

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Not

• Andra hårdvaru- och mjukvarualternativ inkluderar: Arduino, OpenFace, Windows, etc. Om du önskar använda någon av dessa, vänligen kontakta oss för att ordna.

OpenCV (Open Source Computer Vision Library: http://opencv.org) är ett BSD-licensierat bibliotek med öppen källkod som innehåller flera hundra algoritmer för datorseende.

Publik

Kursen riktar sig till ingenjörer och arkitekter som vill använda OpenCV för datorseendeprojekt

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till mjukvaruingenjörer som vill programmera i Python med OpenCV 4 för djupinlärning.

I slutet av denna utbildning kommer deltagarna att kunna:

• Visa, ladda och klassificera bilder och videor med hjälp av OpenCV 4.
• Implementera djupinlärning i OpenCV, 4 med TensorFlow och Keras.
• Kör djupinlärningsmodeller och generera effektfulla rapporter från bilder och videor.

Pattern Matching är en teknik som används för att lokalisera angivna mönster i en bild. Den kan användas för att fastställa förekomsten av angivna egenskaper i en tagen bild, till exempel den förväntade etiketten på en defekt produkt i en fabrikslinje eller de angivna måtten på en komponent. Det skiljer sig från "Pattern Recognition" (som känner igen allmänna mönster baserat på större samlingar av relaterade prover) genom att det specifikt dikterar vad vi letar efter och sedan berättar för oss om det förväntade mönstret finns eller inte.

 

Kursens upplägg

• Kursen introducerar de tillvägagångssätt, tekniker och algoritmer som används inom området mönstermatchning när det gäller Machine Vision.

Fiji är ett bildbehandlingspaket med öppen källkod som paketerar ImageJ (ett bildbehandlingsprogram för vetenskapliga flerdimensionella bilder) och ett antal plugins för vetenskaplig bildanalys.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder Fiji-distributionen och dess underliggande ImageJ-program för att skapa en bildanalysapplikation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Fijis avancerade programmeringsfunktioner och programvarukomponenter för att utöka ImageJ
• Sy ihop stora 3d-bilder från överlappande brickor
• Uppdatera automatiskt en Fiji-installation vid start med hjälp av det integrerade uppdateringssystemet
• Välj från ett brett urval av skriptspråk för att skapa anpassade bildanalyslösningar
• Använd Fijis kraftfulla bibliotek, till exempel ImgLib, på stora biobildsdataset
• Distribuera deras applikation och samarbeta med andra forskare i liknande projekt

Kursens upplägg

• Interaktiv föreläsning och diskussion.
• Massor av övningar och övning.
• Praktisk implementering i en live-lab-miljö.

Alternativ för kursanpassning

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

PaddlePaddle (PArallel Distributed Deep LEarning) är en skalbar djup lärplattform utvecklad av Baidu I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig hur man använder PaddlePaddle för att möjliggöra djupt lärande i sina produkt- och tjänsteprogram Vid slutet av denna utbildning kommer deltagarna att kunna: Ställ in och konfigurera PaddlePaddle Ställ in ett konvolutionellt neuralt nätverk (CNN) för bildigenkänning och objektdetektering Ställ in ett återkommande neuralt nätverk (RNN) för sentimentanalys Ställ in djupt lärande på rekommendationssystem för att hjälpa användare att hitta svar Beräkna klickfrekvens (CTR), klassificera storskaliga bildsatser, utföra optisk teckenigenkänning (OCR), rangsökningar, upptäcka datavirus och implementera ett rekommendationssystem Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Scilab är ett välutvecklat, gratis och open source-språk för vetenskaplig dataprofilering Används för statistik, grafik och animering, simulering, signalbehandling, fysik, optimering och mer, är dess centrala datastruktur matrisen, vilket förenklar många typer av problem jämfört med alternativ som FORTRAN och C-derivat Den är kompatibel med språk som C, Java och Python, vilket gör det lämpligt för användning som ett komplement till befintliga system I den här instruktionsutbildningen kommer deltagarna att lära sig fördelarna med Scilab jämfört med alternativ som Matlab, grunderna i Scilab-syntaxen samt vissa avancerade funktioner och gränssnitt med andra språk som används ofta, beroende på efterfrågan Kursen avslutas med ett kort projekt som fokuserar på bildbehandling I slutet av denna utbildning kommer deltagarna att få förståelse för de grundläggande funktionerna och några avancerade funktioner i Scilab, och ha resurser att fortsätta utöka sin kunskap Publik Datavetenskapare och ingenjörer, särskilt med intresse för bildbehandling och ansiktsigenkänning Kursens format Delföreläsning, diskussion, övningar och intensiv handson-övning, med ett slutprojekt .

Caffe är en djup inlärningsram skapad med uttryck, snabbhet och modularitet i åtanke.

Denna kurs undersöker tillämpningen av Caffe som ett djupet lärande ramverk för bildigenkänning med hjälp av MNIST som ett exempel

Publik

Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda Caffe som ramverk.

Efter avslutad kurs kommer deltagarna att kunna:

• förstå Caffe struktur och implementeringsmekanismer
• utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
• utvärdera kodkvalitet, utföra felsökning, övervakning
• implementera avancerad produktion som träningsmodeller, implementera lager och loggning

Denna instruktörsledda, live-utbildning i Sverige (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill fördjupa sin förståelse för datorseende och utforska TensorFlow:s möjligheter att utveckla sofistikerade synmodeller med hjälp av Google Colab.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa och träna faltningsneurala nätverk (CNN) med hjälp av TensorFlow.
• Utnyttja Google Colab för skalbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbehandlingstekniker för datorseendeuppgifter.
• Distribuera modeller för visuellt innehåll för verkliga program.
• Använd överföringsinlärning för att förbättra prestandan för CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

Computer Vision är ett fält som innebär att automatiskt extrahera, analysera och förstå användbar information från digitala medier. Python är ett programmeringsspråk på hög nivå känd för sin tydliga syntax och kodläsbarhet.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig grunderna i Computer Vision när de går igenom skapandet av en uppsättning enkla Computer Vision-applikationer med Python .

I slutet av denna träning kommer deltagarna att kunna:

• Förstå grunderna i Computer Vision
• Använd Python att implementera Computer Vision-uppgifter
• Bygg sina egna ansikts-, objekt- och rörelsedetekteringssystem

Publik

• Python programmerare intresserade av Computer Vision

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill bygga en självkörande bil med hjälp av djupinlärningstekniker.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Keras för att skapa och träna ett faltningsneuralt nätverk.
• Använda datorseendetekniker för att identifiera körfält i ett autonomt körprojekt.
• Träna en djupinlärningsmodell för att särskilja trafikskyltar.
• Simulera en helt autonom bil.

SimpleCV är ett ramverk med öppen källkod – vilket innebär att det är en samling bibliotek och programvara som du kan använda för att utveckla visionsapplikationer. Med den kan du arbeta med bilder eller videoströmmar som kommer från webbkameror, Kinects, FireWire- och IP-kameror eller mobiltelefoner. Det hjälper dig att bygga programvara för att få dina olika tekniker att inte bara se världen, utan också förstå den.

Publik

Kursen riktar sig till ingenjörer och utvecklare som vill utveckla applikationer för datorseende med SimpleCV.