Computer Vision kurser och utbildning

SimpleCV 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.

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

Marvin is an extensible, cross-platform, open-source image and video processing framework developed in Java. Developers can use Marvin to manipulate images, extract features from images for classification tasks, generate figures algorithmically, process video file datasets, and set up unit test automation.

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.

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

This instructor-led, live training in Sverige (online or onsite) is aimed at developers who wish to build a self-driving car using deep learning techniques.

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.

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.

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.

Mönstermatchning 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 .

OpenCV (Open Source Computer Vision Library: http://opencv.org) is an open-source BSD-licensed library that includes several hundreds of computer vision algorithms.

Audience

This course is directed at engineers and architects seeking to utilize OpenCV for computer vision projects

Denna instruktörsledda, levande utbildning introducerar programvaran, hårdvaran och stegvisa processen som behövs för att bygga ett ansiktsigenkänningssystem från början Ansiktsigenkänning är också känd som ansiktsigenkänning Hårdvaran som används i detta lab omfattar Rasberry Pi, en kameramodul, servos (tillval) etc Deltagarna ansvarar för att själva köpa dessa komponenter Den använda mjukvaran innehåller OpenCV, Linux, Python, etc Vid 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 förpackning av ett Rasberry Pi-system för användning i realworld-miljöer Anpassa systemet för olika användningsfall, inklusive övervakning, identitetsverifiering, etc Publik utvecklare Hårdvara / mjukvara tekniker Tekniska personer inom alla branscher hobby Kursens format Delföreläsning, diskussion, övningar och tung handson-övning Notera Andra hårdvaru- och programalternativ inkluderar: Arduino, OpenFace, Windows, etc Om du vill använda något av dessa, kontakta oss för att ordna .

OpenCV är en bibliotek av programmeringsfunktioner för att decifiera bilder med datoralgoritmer. OpenCV 4 är den senaste OpenCV utgåvan och det ger optimerad modularitet, uppdaterade algoritmer och mer. Med OpenCV 4 och Python, användare kommer att kunna se, ladda och klassificera bilder och videor för avancerad bildupplysning.

Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till mjukvaruingenjörer som vill programmera i Python med OpenCV 4 för djupt lärande.

Vid slutet av denna utbildning kommer deltagarna att kunna:

Visa, ladda och klassificera bilder och videor med hjälp av OpenCV 4. Lär dig att lära dig [4 ] och [4 ] [4 ] Kör djupa lärningsmodeller och generera inflytelserika rapporter från bilder och videor.

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.