Marvin Framework for Image and Video Processing Treningskurs

OpenCV (Open Source Computer Vision Library: http://opencv.org) er et åpen kildekode BSD-lisensiert bibliotek som inkluderer flere hundrevis av datasynsalgoritmer.

Publikum

Dette kurset er rettet mot ingeniører og arkitekter som ønsker å bruke OpenCV til datasynsprosjekter

Denne instruktørledede, live-opplæringen introduserer programvaren, maskinvaren og trinn-for-trinn-prosessen som trengs for å bygge et ansiktsgjenkjenningssystem fra bunnen av. Ansiktsgjenkjenning er også kjent som Face Recognition.

Maskinvaren som brukes i denne laboratoriet inkluderer Rasberry Pi, en kameramodul, servoer (valgfritt), etc. Deltakerne er selv ansvarlige for å kjøpe disse komponentene. Programvaren som brukes inkluderer OpenCV, Linux, Python, etc.

Ved slutten av denne opplæringen vil deltakerne kunne:

Installer Linux, OpenCV og andre programvareverktøy og biblioteker på en Rasberry Pi. Konfigurer OpenCV for å ta og oppdage ansiktsbilder. Forstå de ulike alternativene for å pakke et Rasberry Pi-system for bruk i virkelige miljøer. Tilpass systemet for en rekke brukssaker, inkludert overvåking, identitetsverifisering, etc.

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Merk

Andre maskinvare- og programvarealternativer inkluderer: Arduino, OpenFace, Windows, etc. Hvis du ønsker å bruke noen av disse, vennligst kontakt oss for å avtale.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot programvareingeniører som ønsker å programmere i Python med OpenCV 4 for dyp læring.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Se, last inn og klassifiser bilder og videoer ved hjelp av OpenCV 4.
• Implementer dyp læring i OpenCV 4 med TensorFlow og Keras.
• Kjør dyplæringsmodeller og generer effektive rapporter fra bilder og videoer.

Pattern Matching er en teknikk som brukes til å finne spesifiserte mønstre i et bilde. Det kan brukes til å bestemme eksistensen av spesifiserte egenskaper i et tatt bilde, for eksempel den forventede etiketten på et mangelfullt produkt på en fabrikklinje eller de spesifiserte dimensjonene til en komponent. Det er forskjellig fra " Pattern Recognition " (som gjenkjenner generelle mønstre basert på større samlinger av relaterte prøver) ved at den spesifikt dikterer hva vi leter etter, for så å fortelle oss om det forventede mønsteret eksisterer eller ikke.

Kursets format

• Dette kurset introduserer tilnærminger, teknologier og algoritmer som brukes i feltet mønster matching som det gjelder Machine Vision .

Scilab er et velutviklet, gratis og åpen kildekode høynivåspråk for vitenskapelig datamanipulering. Brukt til statistikk, grafikk og animasjon, simulering, signalbehandling, fysikk, optimalisering og mer, er dens sentrale datastruktur matrisen, og forenkler mange typer problemer sammenlignet med alternativer som FORTRAN og C-derivater. Den er kompatibel med språk som C, Java og Python, noe som gjør den egnet for bruk som et supplement til eksisterende systemer.

I denne instruktørledede opplæringen vil deltakerne lære fordelene med Scilab sammenlignet med alternativer som Matlab, det grunnleggende om Scilab-syntaksen samt noen avanserte funksjoner, og grensesnitt med andre mye brukte språk, avhengig av etterspørsel. Kurset avsluttes med et kort prosjekt med fokus på bildebehandling.

Ved slutten av denne opplæringen vil deltakerne ha en forståelse av de grunnleggende funksjonene og noen avanserte funksjoner til Scilab, og ha ressursene til å fortsette å utvide kunnskapen sin.

Publikum

Datavitere og ingeniører, spesielt med interesse for bildebehandling og ansiktsgjenkjenning

Format på kurset

Delforelesning, deldiskusjon, øvelser og intensiv praktisk praksis, med sluttprosjekt

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

• Set up and configure PaddlePaddle
• Set up a Convolutional Neural Network (CNN) for image recognition and object detection
• Set up a Recurrent Neural Network (RNN) for sentiment analysis
• Set up deep learning on recommendation systems to help users find answers
• Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Fiji er en åpen kildekode bildebehandlingspakke som pakker ImageJ (et bildebehandlingsprogram for vitenskapelige flerdimensjonale bilder) og en rekke plugins for vitenskapelig bildeanalyse.

I denne instruktørledede, live-opplæringen vil deltakerne lære å bruke Fiji-distribusjonen og dets underliggende ImageJ-program for å lage en bildeanalyseapplikasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

Bruk Fijis avanserte programmeringsfunksjoner og programvarekomponenter for å utvide ImageJ Stitch store 3D-bilder fra overlappende fliser Oppdater automatisk en Fiji-installasjon ved oppstart ved hjelp av det integrerte oppdateringssystemet Velg fra et bredt utvalg av skriptspråk for å bygge tilpassede bildeanalyseløsninger Bruk Fijis kraftige biblioteker, som f.eks. som ImgLib på store biobildedatasett Distribuer applikasjonen deres og samarbeid med andre forskere om lignende prosjekter

Kursets format

Interaktivt foredrag og diskusjon. Mye øvelser og trening. Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

SimpleCV er et rammeverk med åpen kildekode - noe som betyr at det er en samling biblioteker og programvare som du kan bruke til å utvikle visjonsapplikasjoner. Det lar deg jobbe med bilder eller videostrømmer som kommer fra webkameraer, Kinects, FireWire og IP-kameraer, eller mobiltelefoner. Det hjelper deg med å bygge programvare for å gjøre de forskjellige teknologiene dine ikke bare til å se verden, men også forstå den.

Publikum

Dette kurset er rettet mot ingeniører og utviklere som søker å utvikle datavisjonsapplikasjoner med SimpleCV.

Caffe er en dyp læringsramme laget med uttrykk, hastighet og modularitet i tankene.

Dette kurset utforsker anvendelsen av Caffe som en Deep læringsramme for bildegjenkjenning ved bruk av MNIST som eksempel

Publikum

Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke Caffe som rammeverk.

Etter fullført kurs vil delegatene kunne:

• forstå Caffe sin struktur og distribusjonsmekanismer
• utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utfør feilsøking, overvåking
• implementere avansert produksjon som treningsmodeller, implementere lag og logging

Computer Vision er et felt som innebærer automatisk å trekke ut, analysere og forstå nyttig informasjon fra digitale medier. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet.

I denne instruktørledede, liveopplæringen, vil deltakerne lære det grunnleggende om Computer Vision når de går gjennom opprettelsen av et sett med enkel Computer Vision-applikasjon ved hjelp av Python .

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende i Computer Vision
• Bruk Python til å implementere Computer Vision-oppgaver
• Bygg sine egne ansikts-, objekt- og bevegelsesdeteksjonssystemer

Publikum

• Python programmerere som er interessert i Computer Vision

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bygge en selvkjørende bil ved å bruke dyplæringsteknikker.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruk Keras til å bygge og trene et konvolusjonelt nevralt nettverk.
• Bruk datasynsteknikker for å identifisere kjørefelt i et selvkjørende prosjekt.
• Tren en dyp læringsmodell for å skille trafikkskilt.
• Simuler en helt autonom bil.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bygge maskinvareakselererte objektdeteksjons- og sporingsmodeller for å analysere streaming videodata.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer nødvendig utviklingsmiljø, programvare og biblioteker for å begynne utviklingen.
• Bygg, tren og distribuer dyplæringsmodeller for å analysere live videofeeder.
• Identifiser, spor, segmenter og forutsi forskjellige objekter innenfor videorammer.
• Optimaliser objektdeteksjons- og sporingsmodeller.
• Implementer en intelligent videoanalyse-applikasjon (IVA).

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot backend-utviklere og dataforskere som ønsker å inkorporere forhåndstrente YOLO-modeller i sine bedriftsdrevne programmer og implementere kostnadseffektive komponenter for objekt- gjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer de nødvendige verktøyene og bibliotekene som kreves for objektdeteksjon ved hjelp av YOLO.
• Tilpass Python kommandolinjeapplikasjoner som opererer basert på YOLO forhåndstrente modeller.
• Implementere rammeverket til ferdigtrente YOLO-modeller for ulike datasynsprosjekter.
• Konverter eksisterende datasett for objektdeteksjon til YOLO-format.
• Forstå de grunnleggende konseptene til YOLO-algoritmen for datasyn og/eller dyp læring.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere, forskere og dataforskere på middels til avansert nivå som ønsker å lære hvordan man implementerer objektdeteksjon i sanntid ved hjelp av YOLOv7.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for gjenstandsdeteksjon.
• Installer og konfigurer YOLOv7 for objektdeteksjonsoppgaver.
• Tren og test tilpassede objektdeteksjonsmodeller ved å bruke YOLOv7.
• Integrer YOLOv7 med andre datasynsrammer og verktøy.
• Feilsøk vanlige problemer knyttet til implementering av YOLOv7.