Hardware-Accelerated Video Analytics Träningskurs
Videoanalytik hänvisar till tekniken och teknikerna som används för att behandla en videoström. En vanlig applikation skulle vara att fånga och identifiera live video händelser genom rörelsedetektion, ansiktsigenkänning, folkmassor och fordonsberäkning, etc.
Denna instruktörledda, live-träning (online eller on-site) riktar sig till utvecklare som vill bygga maskinvaru accelererade objektdetektion och spårning modeller för att analysera streaming video data.
Vid slutet av denna utbildning kommer deltagarna att kunna:
- Installera och konfigurera den nödvändiga utvecklingsmiljö, programvara och bibliotek för att börja utveckla.
- Bygg, träna och implementera djuplärningsmodeller för att analysera live video feed.
- Identifiera, spåra, segmentera och förutsäga olika objekt inom videor.
- Optimera objektdetektion och spårning modeller.
- Utveckla en intelligent videoanalys (IVA) applikation.
Format för kursen
- Interaktiv föreläsning och diskussion.
- Många övningar och övningar.
- Hand-on implementering i en live-lab miljö.
Kursanpassningsalternativ
- För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
Kursplan
Introduktion
Förstå hårdvaruaccelererade avkodningsmetoder
Översikt över NVidia DeepStream SDK
Att sätta upp utvecklingsmiljön
Förbereder ett videoflöde
Bearbetar ett videoflöde
Utbildning av en Deep Learning modell
Hur Transfer Learning fungerar
Förbättra modellens noggrannhet genom överföringsinlärning
Utveckla en neural nätverksmodell för att spåra rörliga objekt
Köra en Video Analytics Inference Engine
Installera inferensmotorn
Integrera en Deep Learning modell med en applikation
Implementera en Intelligent Video Analytics-applikation (IVA).
Övervakning av applikationen
Optimera inferensmotorn och applikationen
Felsökning
Sammanfattning och slutsats
Krav
- En förståelse för djupa neurala nätverk
- Python och C programmeringserfarenhet
Publik
- Utvecklare
- Dataforskare
Open Training Courses require 5+ participants.
Hardware-Accelerated Video Analytics Träningskurs - Booking
Hardware-Accelerated Video Analytics Träningskurs - Enquiry
Hardware-Accelerated Video Analytics - Consultancy Enquiry
Vittnesmål (2)
Väldigt interaktiv med olika exempel, med en bra progression i komplexitet mellan start och slut av träningen.
Jenny - Andheo
Kurs - GPU Programming with CUDA and Python
Machine Translated
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurs - Computer Vision with OpenCV
Upcoming Courses
Relaterade Kurser
GPU Programming with CUDA and Python
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda CUDA för att bygga Python applikationer som körs parallellt på NVIDIA GPU:er.
I slutet av denna utbildning kommer deltagarna att kunna:
- Använd Numba-kompilatorn för att accelerera Python applikationer som körs på NVIDIA GPU:er.
- Skapa, kompilera och starta anpassade CUDA-kärnor.
- Hantera GPU-minne.
- Konvertera en CPU-baserad applikation till en GPU-accelererad applikation.
Administration of CUDA
35 timmarDen här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till systemadministratörer på nybörjarnivå och IT-proffs som vill installera, konfigurera, hantera och felsöka CUDA-miljöer.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå arkitekturen, komponenterna och funktionerna i CUDA.
- Installera och konfigurera CUDA-miljöer.
- Hantera och optimera CUDA-resurser.
- Felsöka och felsöka vanliga CUDA-problem.
OpenFace: Creating Facial Recognition Systems
14 timmarRaspberry Pi + OpenCV for Facial Recognition
21 timmarPattern Matching
14 timmarMönstermatchning är en teknik som används för att hitta specifika mönster i en bild. Det kan användas för att bestämma förekomsten av specificerade egenskaper i en inspelad bild, till exempel den förväntade etiketten på en defekt produkt på en fabriksrad eller de specificerade måtten på en komponent. Det skiljer sig från " Pattern Recognition " (som känner igen allmänna mönster baserat på större samlingar av relaterade prover) eftersom det specifikt dikterar vad vi letar efter och sedan berättar om det förväntade mönstret finns eller inte.
Kursformat
- Denna kurs introducerar de metoder, teknologier och algoritmer som används inom området för mönstermatchning eftersom det gäller Machine Vision .
Marvin Framework for Image and Video Processing
14 timmarMarvin är en utöknings bar, plattforms oberoende, öppen källkod bild och video bearbetning ramverk som utvecklats i Java. utvecklare kan använda Marvin för att manipulera bilder, extrahera funktioner från bilder för klassificerings uppgifter, generera siffror algoritmiskt, bearbeta video fils data uppsättningar och konfigurera enhets test automatisering.
några av Marvin & #39; s video applikationer inkluderar filtrering, förstärkt verklighet, objekt spårning och rörelse detektor.
i denna instruktörsledda, levande kurs deltagare kommer att lära sig principerna för bild-och video analys och utnyttja Marvin Framework och dess bildbehandlingsalgoritmer för att konstruera sin egen ansökan.
format för kursen
- de grundläggande principerna för bild analys, video analys och Marvin Framework introduceras först. Studenterna får projektbaserade uppgifter som gör det möjligt för dem att öva på de begrepp som lärs ut. Vid slutet av klassen, kommer deltagarna har utvecklat sin egen ansökan med hjälp av Marvin ram och bibliotek.
Scilab
14 timmarPaddlePaddle
21 timmarFiji: Introduction to Scientific Image Processing
21 timmarComputer Vision with OpenCV
28 timmarOpenCV (Open Source Computer Vision Library: http://opencv.org) är ett BSD-licensierat bibliotek med öppen källkod som innehåller flera hundra datorseendealgoritmer.
Publik
Denna kurs riktar sig till ingenjörer och arkitekter som vill använda OpenCV för datorseendeprojekt
Python and Deep Learning with OpenCV 4
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till mjukvaruingenjörer som vill programmera in Python med OpenCV 4 för djupinlärning.
I slutet av denna utbildning kommer deltagarna att kunna:
- Visa, ladda och klassificera bilder och videor med OpenCV 4.
- Implementera djupinlärning i OpenCV 4 med TensorFlow och Keras.
- Kör modeller för djupinlärning och generera effektfulla rapporter från bilder och videor.
Introduction to Stable Diffusion for Text-to-Image Generation
21 timmarDen här instruktörsledda, live-utbildningen i (online eller på plats) riktar sig till datavetare, maskininlärningsingenjörer och datorseendeforskare som vill utnyttja Stable Diffusion för att generera högkvalitativa bilder för en mängd olika användningsfall.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå principerna för Stable Diffusion och hur det fungerar för bildgenerering. Bygg och träna Stable Diffusion modeller för bildgenereringsuppgifter. Tillämpa Stable Diffusion på olika scenarier för bildgenerering, till exempel inpainting, outpainting och bild-till-bild översättning. Optimera prestanda och stabilitet för Stable Diffusion modeller.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare på medelnivå till avancerad nivå, maskininlärningsingenjörer, forskare inom djupinlärning och experter på datorseende som vill utöka sina kunskaper och färdigheter inom djupinlärning för text-till-bild-generering.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå avancerade djupinlärningsarkitekturer och tekniker för text-till-bild-generering. Implementera komplexa modeller och optimeringar för bildsyntes av hög kvalitet. Optimera prestanda och skalbarhet för stora datamängder och komplexa modeller. Justera hyperparametrar för bättre modellprestanda och generalisering. Integrera Stable Diffusion med andra ramar och verktyg för djupinlärning