Computer Vision Kurs i Skåne

Denna instruktörledda, virtuella utbildning i Skåne (online eller på plats) riktar sig till datorvisionsingenjörer, AI-utvecklare och IoT-proffs på medelnivå till avancerad nivå som vill implementera och optimera datorvisionsmodeller för realtidsbearbetning på edge-enheter. Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i Edge AI och dess tillämpningar inom datorseende.
• Deploya optimerade djupa inlärningsmodeller på edge-enheter för realtidsanalys av bilder och video.
• Använda ramverk som TensorFlow Lite, OpenVINO och NVIDIA Jetson SDK för modellutplacering.
• Optimera AI-modeller för prestanda, energieffektivitet och inferens med låg latens.

Denna instruktörsledda, live-utbildning i Skåne (online eller på plats) riktar sig till yrkesverksamma på avancerad nivå som vill fördjupa sin förståelse för datorseende och utforska TensorFlow:s möjligheter att utveckla sofistikerade synmodeller med hjälp av Google Colab. I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa och träna faltningsneurala nätverk (CNN) med hjälp av TensorFlow.
• Utnyttja Google Colab för skalbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbehandlingstekniker för datorseendeuppgifter.
• Distribuera modeller för visuellt innehåll för verkliga program.
• Använd överföringsinlärning för att förbättra prestandan för CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

Denna instruktörsledda, live-kurs i Skåne (online eller på plats) riktar sig till AI-utvecklare och ingenjörer inom datorseende på mellannivå som vill bygga robusta visionsystem för autonoma fordonsapplikationer.I slutet av denna kurs kommer deltagarna att kunna:

• Förstå de grundläggande koncepten inom datorseende i autonoma fordon.
• Implementera algoritmer för objektdetektering, fildetektering och semantisk segmentering.
• Integrera visionsystem med andra delsystem i autonoma fordon.
• Använda tekniker för djupinlärning för avancerade uppgifter inom perception.
• Utvärdera prestandan hos datorseendemodeller i verkliga scenarier.

Denna instruktörsledda, liveutbildning i Skåne (online eller på plats) riktar sig till brottsbekämpande personal på nybörjarnivå som vill övergå från manuell ansiktsskissning till att använda AI-verktyg för att utveckla ansiktsigenkänningssystem. I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i artificiell intelligens och Machine Learning.
• Lär dig grunderna i digital bildbehandling och dess tillämpning inom 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 vid användning av ansiktsigenkänningsteknik.

Denna instruktörsledda, liveträning i Skåne (online eller på plats) riktar sig till forskare och laboratoriepersonal på nybörjar- till avancerad nivå som önskar bearbeta och analysera bilder relaterade till histologiska vävnader, blodceller, alger och andra biologiska prover. Vid slutet av denna utbildning kommer deltagarna att kunna:

• Navigera i Fiji-gränssnittet och använda ImageJs kärnfunktioner.
• Förbehandla och förbättra vetenskapliga bilder för bättre analys.
• Analysera bilder kvantitativt, inklusive cellräkning och areamätning.
• Automatisera repetitiva uppgifter med hjälp av makron och plugins.
• Anpassa arbetsflöden för specifika behov inom bildanalys i biologisk forskning.

Denna instruktörsledda, liveutbildning i Skåne (online eller på plats) riktar sig till utvecklare, forskare och datavetare på mellannivå till avancerad nivå som vill lära sig hur man implementerar objektdetektering i realtid med YOLOv7. I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen för objektidentifiering.
• Installera och konfigurera YOLOv7 för objektdetekteringsuppgifter.
• Träna och testa anpassade objektdetekteringsmodeller med hjälp av YOLOv7.
• Integrera YOLOv7 med andra ramverk och verktyg för visuellt innehåll.
• Felsök vanliga problem relaterade till YOLOv7-implementering.

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

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.

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

Denna instruktörsledda, liveutbildning i Skåne (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.

OpenFace är Python och Torch baserad på ansiktsigenkänningsprogramvara med öppen källkod i realtid baserad på Googles FaceNet-forskning. I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder OpenFaces komponenter för att skapa och distribuera ett exempel på ansiktsigenkänningsapplikation. I slutet av denna utbildning kommer deltagarna att kunna:

• Arbeta med OpenFace-komponenter, inklusive dlib, OpenVC, Torch och nn4 för att implementera ansiktsigenkänning, justering och transformation
• Använd OpenFace på verkliga applikationer som övervakning, identitetsverifiering, virtuell verklighet, spel och identifiering av återkommande kunder, etc.

Publik

• Utvecklare
• Datavetare

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

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.

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
• Använda Python för att implementera Computer Vision-uppgifter
• Bygga egna system för ansikts-, objekt- och rörelsedetektering

Publik

• Python-programmerare intresserade av Computer Vision

Kursformat

• Delvis föreläsning, delvis diskussion, övningar och mycket praktisk övning

Denna instruktörsledda, liveträning introducerar mjukvaran, hårdvaran och steg-för-steg-processen som behövs för att bygga ett ansiktsigenkänningssystem från grunden. Ansiktsigenkänning är också känt som Face Recognition. Hårdvaran som används i detta labb inkluderar Rasberry Pi, en kameramodul, servon (tillval) etc. Deltagarna ansvarar själva för att köpa in dessa komponenter. Programvaran som används inkluderar OpenCV, Linux, Python etc. I 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 att förpacka ett Rasberry Pi-system för användning i verkliga miljöer.
• Anpassa systemet för en mängd olika användningsfall, inklusive övervakning, identitetsverifiering etc.

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Not

• Andra hårdvaru- och mjukvarualternativ inkluderar: Arduino, OpenFace, Windows, etc. Om du önskar använda någon av dessa, vänligen kontakta oss för att ordna.

Scilab är ett välutvecklat, fritt högnivåspråk med öppen källkod för manipulering av vetenskapliga data. Används för statistik, grafik och animering, simulering, signalbehandling, fysik, optimering och mer, dess centrala datastruktur är matrisen, vilket förenklar många typer av problem jämfört med alternativ som FORTRAN och C-derivat. Den är kompatibel med språk som C, Java och Python, vilket gör den lämplig för användning som ett komplement till befintliga system. I denna instruktörsledda utbildning kommer deltagarna att lära sig fördelarna med Scilab jämfört med alternativ som Matlab, grunderna i Scilab-syntaxen samt några avancerade funktioner och gränssnitt med andra allmänt använda språk, beroende på efterfrågan. Kursen avslutas med ett kort projekt med fokus på bildbehandling. I slutet av denna utbildning kommer deltagarna att ha ett grepp om de grundläggande funktionerna och några avancerade funktioner i Scilab, och ha resurser att fortsätta utöka sina kunskaper. Publik

• Datavetare och ingenjörer, särskilt med intresse för bildbehandling och ansiktsigenkänning

Kursens upplägg

• En del föreläsning, en del diskussion, övningar och intensiv praktisk övning, med ett avslutande projekt

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.

Denna instruktörsledda, liveutbildning i Skåne (online eller på plats) riktar sig till backend-utvecklare och datavetare som vill införliva förutbildade YOLO-modeller i sina företagsdrivna program och implementera kostnadseffektiva komponenter för objekt- upptäckt. I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera nödvändiga verktyg och bibliotek som krävs för objektdetektering med YOLO.
• Anpassa Python kommandoradsapplikationer som fungerar baserat på YOLO förutbildade modeller.
• Implementera ramen för förutbildade YOLO-modeller för olika datorseendeprojekt.
• Konvertera befintliga datauppsättningar för objektdetektering till YOLO-format.
• Förstå de grundläggande begreppen i YOLO-algoritmen för datorseende och/eller djupinlärning.