Computer Vision 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 (online eller på plats) vänder sig till yrkesverksamma på avancerad nivå som vill fördjupa sin förståelse för datorseende och utforska TensorFlow’s förmåga att utveckla avancerade seendemodeller med hjälp av Google Colab.

Efter avslutad utbildning kommer deltagarna att kunna:

• Bygga och träna konvolutiva neurala nätverk (CNNs) med TensorFlow.
• Utnyttja Google Colab för skalbar och effektiv molnbaserad modellutveckling.
• Implementera bildförbehandlingstekniker för datorseendesuppgifter.
• Distribuera datorseendemodeller för praktiska tillämpningar.
• Använda transferlärande för att förbättra CNN-modellers prestanda.
• Visualisera och tolka resultaten från bildklassifikationsmodeller.

CANN SDK (Compute Architecture for Neural Networks) erbjuder kraftfulla verktyg för distribution och optimering av AI-applikationer i realtid för datorseende och NLP, särskilt på Huawei Ascend-hårdvaran.

Denna instruktörsledda liveutbildning (online eller på plats) riktar sig till AI-praktiker på mellan nivå som vill bygga, distribuera och optimera datorseende- och språkmodeller med hjälp av CANN SDK för produktionsanvändningsfall.

Vid kursens slut kommer deltagarna att kunna:

• Distribuera och optimera datorseende- och NLP-modeller med CANN och AscendCL.
• Använda CANN verktyg för att konvertera modeller och integrera dem i levande pipeline.
• Optimera inferensprestanda för uppgifter som detektion, klassificering och känsloanalys.
• Bygga datorseende/NLP-pipelines i realtid för distributionsscenarier i kant eller moln.

Kursformat

• Interaktiv föreläsning och demonstration.
• Praktiska laboratorier med modelldistribution och prestandaprofilering.
• Live-pipelinekonstruktion med verkliga datorseende- och NLP-användningsfall.

Anpassningsalternativ för kursen

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till AI-utvecklare och datorseendeingenjörer på mellan-nivå som vill bygga robusta visionssystem för autonoma körapplikationer.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grundläggande begrepp inom datorseende i autonoma fordon.
• Implementera algoritmer för objektdetektering, körfältsdetektering och semantisk segmentering.
• Integrera visionssystem med andra subsystem i autonoma fordon.
• Använda djupinlärningstekniker för avancerade uppgiftspåverkningsuppgifter.
• Utvärdera prestandan hos datorseendemodeller 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.

Denna instruktörsledda, levande utbildning (online eller på plats) vänder sig till forskare och laboratorieprofessionella på grundläggande till mellanavancerad nivå som vill bearbeta och analysera bilder relaterade till histologiska vävnader, blodceller, alger och andra biologiska prover.

Efter 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 upprepade uppgifter med hjälp av makron och tillägg.
• Anpassa arbetsflöden för specifika bildanalysbehov inom biologisk forskning.

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.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till mellan- och avancerade utvecklare, forskare och datavetare som vill lära sig hur man implementerar realtidobjektdetektion med hjälp av YOLOv7.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå de grundläggande koncepten för objektdetektion.
• Installera och konfigurera YOLOv7 för objektdetektionsuppgifter.
• Träna och testa anpassade objektdetektionsmodeller med YOLOv7.
• Integrera YOLOv7 med andra datorseende-ramverk och verktyg.
• Felsöka 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 Uppsala (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.

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 Uppsala (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.