Deep Learning for Self Driving Cars 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 .

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot tekniske personer som ønsker å bruke dyp læringsmodell på bildegjenkjenningsapplikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Keras.
• Rask prototyper av dyplæringsmodeller.
• Implementer et konvolusjonelt nettverk.
• Implementer et tilbakevendende nettverk.
• Utfør en dyp læringsmodell på både en CPU og GPU.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot programvareingeniører som ønsker å utvikle avanserte nevrale nettverk og modeller for dyp læring ved å bruke Keras og Python.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruk dyp læring med veiledet eller uovervåket læringsmetoder.
• Utvikle, trene og implementere samtidige nevrale nettverk og tilbakevendende nevrale nettverk.
• Bruk Keras og Python til å bygge dyplæringsmodeller for å løse problemer som involverer bilder, tekst, lyd og mer.

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

Marvin er et utvidbart rammeverk på tvers av plattformer, åpen kildekode for bilde- og videobehandling utviklet i Java. Utviklere kan bruke Marvin til å manipulere bilder, trekke ut funksjoner fra bilder for klassifiseringsoppgaver, generere tall algoritmisk, behandle videofildatasett og sette opp enhetstestautomatisering.

Noen av Marvin sine videoapplikasjoner inkluderer filtrering, utvidet virkelighet, objektsporing og bevegelsesdeteksjon.

I dette instruktørledede, live kursdeltakerne vil lære prinsippene for bilde- og videoanalyse og bruke Marvin Framework og dets bildebehandlingsalgoritmer for å konstruere sin egen applikasjon.

Kursets format

De grunnleggende prinsippene for bildeanalyse, videoanalyse og Marvin Framework introduseres først. Studentene får prosjektbaserte oppgaver som lar dem praktisere begrepene som er lært. Ved slutten av timen vil deltakerne ha utviklet sin egen applikasjon ved hjelp av Marvin-rammeverket og bibliotekene.

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, 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.