Real-Time Object Detection with YOLO Träningskurs
YOLO (You Only Look Once) är ett algoritm som omvandlas till förutbildade modeller för objektdetektion. Den testas av Darknet Neural Network Framework, vilket gör den idealisk för att utveckla datorvisionsfunktioner baserade på COCO (Common Objects in Context) dataset. De senaste varianterna av YOLO-ramverket, YOLOv3-v4, gör det möjligt för program att effektivt utföra objekt som lokaliserar och klassificerar uppgifter medan de körs i realtid.
Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till bakgrundsutvecklare och datavetenskapsmän som vill integrera förutbildade YOLO-modeller i sina företagsstyrda program och implementera kostnadseffektiva komponenter för objektdetektion.
Vid slutet av denna utbildning kommer deltagarna att kunna:
- Installera och konfigurera de nödvändiga verktygen och bibliotek som krävs i objektdetektion med YOLO.
- Anpassa Python kommandolinjeprogram som fungerar baserat på förutbildade YOLO-modeller.
- Implementera ramverket för förutbildade YOLO-modeller för olika datorvisionsprojekt.
- Konvertera befintliga dataset för objektdetektion till YOLO-format.
- Förstå de grundläggande begreppen i YOLO-algoritmen för datorns vision och/eller djup lärande.
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
Översikt över YOLO förtränade modellers funktioner och arkitektur
- YOLO-algoritmen
- Regressionsbaserade algoritmer för objektdetektering
- Hur skiljer sig YOLO från RCNN?
Använder lämplig YOLO-variant
- Funktioner och arkitektur för YOLOv1-v2
- Funktioner och arkitektur för YOLOv3-v4
Installera och konfigurera IDE för YOLO-implementationer
- Darknet-implementeringen
- PyTorch och Keras implementeringarna
- Kör OpenCV och NumPy
Översikt över objektdetektering med YOLO förtränade modeller
Bygga och anpassa Python Kommandoradsapplikationer
- Märkning av bilder med hjälp av YOLO-ramverket
- Bildklassificering baserad på en datauppsättning
Upptäcka objekt i bilder med YOLO-implementationer
- Hur fungerar Bounding Boxes?
- Hur exakt är YOLO för till exempel segmentering?
- Parsar kommandoradsargumenten
Extrahera YOLO-klassetiketter, koordinater och dimensioner
Visar de resulterande bilderna
Upptäcka objekt i videoströmmar med YOLO-implementationer
- Hur skiljer det sig från grundläggande bildbehandling?
Utbildning och testning av YOLO-implementeringarna på ett ramverk
Felsökning och felsökning
Sammanfattning och slutsats
Krav
- Python 3.x programmeringserfarenhet
- Grundläggande kunskap om alla Python IDE:er
- Erfarenhet av Python argparse och kommandoradsargument
- Förståelse av datorseende och maskininlärningsbibliotek
- En förståelse för grundläggande objektdetekteringsalgoritmer
Publik
- Backend-utvecklare
- Dataforskare
Open Training Courses require 5+ participants.
Real-Time Object Detection with YOLO Träningskurs - Booking
Real-Time Object Detection with YOLO Träningskurs - Enquiry
Real-Time Object Detection with YOLO - Consultancy Enquiry
Vittnesmål (2)
Trainer was very knowlegable and very open to feedback on what pace to go through the content and the topics we covered. I gained alot from the training and feel like I now have a good grasp of image manipulation and some techniques for building a good training set for an image classification problem.
Anthea King - WesCEF
Kurs - Computer Vision with Python
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurs - Computer Vision with OpenCV
Upcoming Courses
Relaterade Kurser
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.
Computer Vision with SimpleCV
14 timmarSimpleCV är en öppen källkodsram - vilket innebär att det är en samling bibliotek och programvara som du kan använda för att utveckla visionapplikationer. Det låter dig arbeta med bilder eller videoströmmar som kommer från webbkameror, Kinects, FireWire och IP-kameror eller mobiltelefoner. Det hjälper dig att bygga programvara så att dina olika tekniker inte bara ser världen utan också förstår den.
Publik
Kursen riktar sig till ingenjörer och utvecklare som vill utveckla datorsynsapplikationer med SimpleCV.
Deep Learning for Vision with Caffe
21 timmarCaffe 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
Computer Vision with Python
14 timmarComputer 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