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 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.

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

Detta instruktörledda, liveutbildning (online eller på plats) är riktat till mellannivå AI-praktiker som vill bygga, distribuera och optimera visuella och språkmodeller med CANN SDK för produktionsfall.

Efter denna utbildning kommer deltagarna att kunna:

• Distribuera och optimera CV- och NLP-modeller med CANN och AscendCL.
• Använda CANN-verktyg för att konvertera modeller och integrera dem i livepipelines.
• Optimeringsprestanda för uppgifter som detektion, klassificering och sentimentsanalys.
• Bygga realtids CV/NLP-pipeliner för distribution på gränsnivå eller molnbaserade scenarier.

Kursens format

• Interaktiv föreläsning och demonstration.
• Praktisk laboration med modeldistribution och prestandaprofilering.
• Livepipelinedesign med verkliga CV- och NLP-användningsfall.

Kursanpassningsalternativ

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

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.

Detta instruktörsledda, live-träning i Uppsala (online eller på plats) riktas till nybörjare och mellannivåforskare samt laboratorieprofessionals som vill bearbeta och analysera bilder relaterade till histologiska vävnader, blodceller, alger och andra biologiska prover.

Vid slutet av denna träningskurs kommer deltagarna att kunna:

• Navigera Fijs gränssnitt och använda ImageJs kärnfunktioner.
• Förbearbeta och förbättra vetenskapliga bilder för bättre analys.
• Analysera bilder kvantitativt, inklusive cellräkning och areamätning.
• Automatisera upprepade uppgifter med hjälp av makron och plugins.
• Anpassa arbetsflöden för specifika bildanalyser 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.

Detta instruktörledda, liveutbildning i Uppsala (online eller på plats) riktas till utvecklare, forskare och dataanalytiker med mellan- till avancerat nivå som vill lära sig hur man implementerar real-tids objektidentifiering med YOLOv7.

När denna utbildning är klar kommer deltagarna att kunna:

• Förstå grundläggande koncept inom objektidentifiering.
• Installera och konfigurera YOLOv7 för objektidentifieringsuppgifter.
• Träna och testa anpassade objektidentifieringsmodeller med hjälp av YOLOv7.
• Integrera YOLOv7 med andra datorseendeframeworks och verktyg.
• Felsöka vanliga problem relaterade till implementering av YOLOv7.

Fiji är ett kraftfullt öppen källkodspaket för bildbehandling som innehåller ImageJ (ett program designat för vetenskapliga multidimensionella bilder) tillsammans med en omfattande uppsättning plugins för vetenskaplig bildanalys.

I denna instruktörsledda, levande utbildning kommer deltagarna att lära sig hur man utnyttjar Fiji-distributionen och dess underliggande ImageJ-program för att skapa robusta bildanalysapplikationer.

Am slutet av denna utbildning kommer deltagarna att kunna:

• Använda Fijis avancerade programmeringsfunktioner och mjukvarukomponenter för att utöka ImageJs kapacitet
• Sammanslå stora 3D-bilder från överlappande rutor
• Automatisera uppdateringen av en Fiji-installation vid start med hjälp av det integrerade uppdateringssystemet
• Välja bland ett brett utbud av skriptspråk för att bygga skräddarsydda bildanalyslösningar
• Använda Fijis kraftfulla bibliotek, som ImgLib, för att effektivt bearbeta stora bioavbildningsdataset
• Distribuera applikationer och samarbeta effektivt med andra forskare på liknande projekt

Kursens upplägg

• Interaktiv föreläsning och diskussion
• Extensiv övning och praktisk tillämpning
• Praxisnära implementering i en levande labbmiljö

Alternativ för kursanpassning

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

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.

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.

Datorseende är ett område som innefattar automatiserad extrahering, analys och förståelse av användbar information från digitala medier. Python är ett högnivåprogrammeringsspråk som är känt för sin tydliga syntax och kodläsbarhet.

I denna instruktörsledda, liveutbildning kommer deltagarna att lära sig grunderna i datorseende medan de steg för steg skapar en serie enkla datorseendeprogram med Python.

Avslutande resultatanalys:

• Förstå grunderna i datorseende
• Använda Python för att genomföra datorseendeaddraganden
• Skapa egna ansikts-, objekt- och rörelsedetekteringssystem

Målgrupp

• Pythonprogrammerare som är intresserade av datorseende

Kursformat

• Del föreläsning, del diskussion, övningar och mycket praktiskt arbetande

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 instruktörleda, liveutbildning i Uppsala (online eller på plats) är riktad till backendutvecklare och datavetare som vill införa förtränade YOLO-modeller i sina företagsdrivna program och implementera kostnadseffektiva komponenter för objektidentifiering.

När denna utbildning är avslutad kommer deltagarna att kunna:

• Installera och konfigurera de nödvändiga verktygen och biblioteken som krävs för objektidentifiering med YOLO.
• Anpassa Python-kommandoradsapplikationer som fungerar baserat på YOLO-förtränade modeller.
• Implementera ramverket för YOLO-förtränade modeller för olika datorseendeprojekt.
• Konvertera existerande datamängder för objektidentifiering till YOLO-format.
• Förstå de grundläggande koncepten i YOLO-algoritmen för datorseende och/eller djupinlärning.