
Lokala instruktionsledda datorsynskurser visar genom interaktionsdiskussion och handson öva grunderna för datorsyn när deltagare går igenom skapandet av enkla datorvisionsprogram Datorsynsutbildning är tillgänglig som "live-träning" eller "fjärr-live-träning" Utbildning på plats kan genomföras lokalt på kundlokaler i Sverige eller i NobleProgs företagsutbildningscenter i Sverige Fjärrutbildning sker genom en interaktiv fjärrskrivbord NobleProg Din lokala utbildningsleverantör.
Machine Translated
Vittnesmål
Jag njöt verkligen av hands-on-metoden.
Kevin De Cuyper
Kurs: Computer Vision with OpenCV
Machine Translated
Den enkla användningen av VideoCapture-funktionen för att skaffa videobilder från bärbar kamera ..
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Kurs: Computer Vision with OpenCV
Machine Translated
Jag fick råd från givaren om hur man använder verktygen. Det här är något som inte kan fås från internet och är väldigt användbart.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Kurs: Computer Vision with OpenCV
Machine Translated
Jag fick råd från givaren om hur man använder verktygen. Det här är något som inte kan fås från internet och är väldigt användbart.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Kurs: Computer Vision with OpenCV
Machine Translated
Det var lätt att följa.
HP Printing and Computing Solutions, Sociedad Limitada Unipe
Kurs: Computer Vision with OpenCV
Machine Translated
Tränare var mycket knowlegable och mycket öppen för feedback på vilken takt att gå igenom innehållet och de ämnen som vi omfattas. Jag fick mycket av utbildningen och känner att jag nu har ett bra grepp om bildmanipulation och några tekniker för att bygga en bra utbildning som för en bild klassificering problem.
Anthea King - WesCEF
Kurs: Computer Vision with Python
Machine Translated
Computer Vision underkategorier
Computer Vision läroplaner
Audience
This course is directed at engineers and architects seeking to utilize OpenCV for computer vision projects
Publik
Kursen riktar sig till ingenjörer och utvecklare som vill utveckla datorsynsapplikationer med SimpleCV.
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
Kursformat
- Denna kurs introducerar de metoder, teknologier och algoritmer som används inom området för mönstermatchning eftersom det gäller Machine Vision .
Some of Marvin's video applications include filtering, augmented reality, object tracking and motion detection.
In this instructor-led, live course participants will learn the principles of image and video analysis and utilize the Marvin Framework and its image processing algorithms to construct their own application.
Format of the Course
- The basic principles of image analysis, video analysis and the Marvin Framework are first introduced. Students are given project-based tasks which allow them to practice the concepts learned. By the end of the class, participants will have developed their own application using the Marvin Framework and libraries.
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
By the end of this training, participants will be able to:
- Use Keras to build and train a convolutional neural network.
- Use computer vision techniques to identify lanes in an autonomos driving project.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.
By the end of this training, participants will be able to:
- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.
By the end of this training, participants will be able to:
- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.
By the end of this training, participants will be able to:
- Install and configure the necessary tools and libraries required in object detection using YOLO.
- Customize Python command-line applications that operate based on YOLO pre-trained models.
- Implement the framework of pre-trained YOLO models for various computer vision projects.
- Convert existing datasets for object detection into YOLO format.
- Understand the fundamental concepts of the YOLO algorithm for computer vision and/or deep learning.