Real-Time Object Detection with YOLO Träningskurs

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

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.

Caffe är ett djupinlärningsramverk som utformats med uttryck, hastighet och moduläritet i åtanke.

Denna kurs utforskar tillämpningen av Caffe som ett ramverk för djupinlärning för bildigenkänning med MNIST som exempel

Målgrupp

Denna kurs passar för forskare och ingenjörer inom djupinlärning som är intresserade av att använda Caffe som ramverk.

När deltagarna har slutfört denna kurs kommer de kunna:

• fatta Caffes struktur och distributionsmekanismer
• utföra installation, produktionsmiljö, arkitekturuppgifter och konfiguration
• betygsätta kodkvalitet, genomföra felsökning och övervakning
• implementera avancerad produktion som träningsmodeller, implementering av lager och loggning

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.

Datorseende är ett område som innefattar automatiserad extrahering, analys och förståelse av användbar information från digitala medier. Python är ett högnivåprogrammeringsspråk som är känt för sin tydliga syntax och kodläsbarhet.

I denna instruktörsledda, liveutbildning kommer deltagarna att lära sig grunderna i datorseende medan de steg för steg skapar en serie enkla datorseendeprogram med Python.

Avslutande resultatanalys:

• Förstå grunderna i datorseende
• Använda Python för att genomföra datorseendeaddraganden
• Skapa egna ansikts-, objekt- och rörelsedetekteringssystem

Målgrupp

• Pythonprogrammerare som är intresserade av datorseende

Kursformat

• Del föreläsning, del diskussion, övningar och mycket praktiskt arbetande

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.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till mellan- och avancerade utvecklare, forskare och datavetare som vill lära sig hur man implementerar realtidobjektdetektion med hjälp av YOLOv7.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå de grundläggande koncepten för objektdetektion.
• Installera och konfigurera YOLOv7 för objektdetektionsuppgifter.
• Träna och testa anpassade objektdetektionsmodeller med YOLOv7.
• Integrera YOLOv7 med andra datorseende-ramverk och verktyg.
• Felsöka vanliga problem relaterade till YOLOv7-implementering.

Denna instruktörsledda, liveutbildning (online eller på plats) vänder sig till yrkesverksamma på avancerad nivå som vill fördjupa sin förståelse för datorseende och utforska TensorFlow’s förmåga att utveckla avancerade seendemodeller med hjälp av Google Colab.

Efter avslutad utbildning kommer deltagarna att kunna:

• Bygga och träna konvolutiva neurala nätverk (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbehandlingstekniker för datorseendesuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transferlärande för att förbättra CNN-modellers prestanda.
• Visualisera och tolka resultaten från bildklassifikationsmodeller.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till nybörjare inom rättsväsendet som vill övergå från manuella ansiktsritningar till att använda AI-verktyg för att utveckla ansiktsigenkänningssystem.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå grunderna i Artificial Intelligence och Machine Learning.
• Lära sig grunderna i digital bildbehandling och dess tillämpning i ansiktsigenkänning.
• Utveckla färdigheter i att använda AI-verktyg och ramverk för att skapa ansiktsigenkänningsmodeller.
• Få praktisk erfarenhet av att skapa, träna och testa ansiktsigenkänningssystem.
• Förstå etiska överväganden och bästa praxis för användning av ansiktsigenkänningsteknologi.

Detta instruktörsledda, live-träning i Sverige (online eller på plats) riktas till nybörjare och mellannivåforskare samt laboratorieprofessionals som vill bearbeta och analysera bilder relaterade till histologiska vävnader, blodceller, alger och andra biologiska prover.

Vid slutet av denna träningskurs kommer deltagarna att kunna:

• Navigera Fijs gränssnitt och använda ImageJs kärnfunktioner.
• Förbearbeta och förbättra vetenskapliga bilder för bättre analys.
• Analysera bilder kvantitativt, inklusive cellräkning och areamätning.
• Automatisera upprepade uppgifter med hjälp av makron och plugins.
• Anpassa arbetsflöden för specifika bildanalyser inom biologisk forskning.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datorseendeingenjörer, AI-utvecklare och IoT-professionella på mellan- till avancerad nivå som vill implementera och optimera datorseendemodeller för realtidsbearbetning på edge-enheter.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå grunderna i Edge AI och dess tillämpningar inom datorseende.
• Distribuera optimerade djupinlärningsmodeller på edge-enheter för realtidsanalys av bilder och videor.
• Använda ramverk som TensorFlow Lite, OpenVINO och NVIDIA Jetson SDK för modelldistribution.
• Optimera AI-modeller för prestanda, energieffektivitet och låg-latensinferens.

Denna instruktör-ledade, live-träning i Sverige (online eller på plats) är riktad till mellannivå AI-utvecklare och datorsynstekniker som vill bygga robusta synsystem för applikationer inom autonom fordonstrafik.

Vid slutet av detta träningspass kommer deltagarna att kunna:

• Förstå grundläggande koncept inom datorsyn för autonoma fordon.
• Implementera algoritmer för objektidentifiering, baneidentifiering och semantisk segmentering.
• Integrera synsystem med andra underkretsar i autonoma fordon.
• Använda djupinlärningstekniker för avancerade uppfattningsuppgifter.
• Utvärdera prestandan hos datorsynsmodeller i verkliga scenarier.

Denna instruktörledade, live-träningen i Sverige (online eller på plats) är avsedd för medelutbildade professionella som vill använda Vision Builder AI för att designa, implementera och optimera automatiserade inspektionsystem för SMT (Surface-Mount Technology)-processer.

Genom denna träning kommer deltagarna att kunna:

• Sätta upp och konfigurera automatiserade inspektioner med Vision Builder AI.
• Hämta och förbehandla högkvalitativa bilder för analys.
• Implementera logikbaserade beslut för felidentifiering och processverifiering.
• Generera inspektionsrapporter och optimera systemyttrande.