Datorseende Kurs i Uppsala

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 instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till avancerade professionella som önskar fördjupa sin förståelse av datorseende och utforska TesnorsFlows möjligheter att utveckla sofistikerade visningsmodeller med hjälp av Google Colab.

Vid slutet av den här utbildningen kommer deltagarna att kunna:

• Bygga och träna konvolutionella neuronnät (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalarbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbearbetningsmetoder för datorseendeuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transfer learning för att förbättra prestandan på CNN-modeller.
• Visualisera och tolka resultaten av bildklassificeringsmodeller.

Denna instruktör-ledade, live-träning i Uppsala (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 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.

Den här hands-on-utbildningen i Uppsala täcker grunderna i Fiji och ImageJ för biologisk forskning. Lärare får praktiska färdigheter i bildförbehandling, kvantitativ analys och makroautomation för att effektivisera arbetsflöden för histologiska vävnader, celler och andra prover med reproducerbara resultat.

Denna instruktörledade, live-träningen i Uppsala (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.

Den här instruktörledda, direkta utbildningen i Uppsala (online eller på plats) riktar sig till utvecklare, forskare och datavetare på mellannivå eller avancerad nivå som vill lära sig hur man implementerar realtidsobjektdetektion med hjälp av YOLOv7.

När utbildningen är slutförd kommer deltagarna att kunna:

• Förstå de grundläggande begreppen inom objektdetektion.
• Installera och konfigurera YOLOv7 för objektdetektionsuppgifter.
• Träna och testa egna objektdetektionsmodeller med YOLOv7.
• Integrera YOLOv7 med andra ramverk och verktyg inom datadriven syn.
• Felsöka vanliga problem som är relaterade till implementationen av YOLOv7.