Bildebehandling med SimpleCV Treningskurs

Caffe er et dybdelæringsrammeverk som er laget med uttrykk, hastighet og modulærhet i tankene.

Dette kurset utforsker anvendelsen av Caffe som et dybdelæringsrammeverk for bildegenkjennelse ved bruk av MNIST som et eksempel

Målgruppe

Dette kurset er egnet for dybdelæringsforskere og ingeniører som er interessert i å bruke Caffe som et rammeverk.

Etter fullført kurs vil deltakerne kunne:

• forstå Caffes struktur og distribusjonsmekanismer
• utføre installasjons-/produsjonsmiljø-/arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utføre feilsøking og overvåking
• implementere avanserte produksjonsoppgaver som å trene modeller, implementere lag og loggføring

Dette instruktørlede, live-trening i Norge (online eller på stedet) er rettet mot mellomnivå AI-utviklere og databehandlingsingeniører som ønsker å bygge robuste visjonssystemer for autonome kjøretøysapplikasjoner.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå grunnleggende konsepter innen databehandling i autonome kjøretøy.
• Implementere algoritmer for gjenkjenning av objekter, kjørestrek og semantisk segmentering.
• Integriere visjonssystemer med andre subsystemer i autonome kjøretøy.
• Bruke dype læringsteknikker for avanserte oppfatningstjenester.
• Vurdere ytelsen til databehandlingsmodeller i virkelige scenarier.

Denne instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å dyppe seg dypere inn i datavisjon og utforske TensorFlows kapasiteter for å utvikle sofistikerte visjonsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nevrale nettverk (CNNs) ved hjelp av TensorFlow.
• Bruke Google Colab for skalerbar og effektiv skybasert modellutvikling.
• Implementere bildeforarbeidingsmetoder for datavisjonstider.
• Sette i drift datavisjonsmodeller for virkelige anvendelser.
• Bruke overføringsslur for å forbedre ytelsen på CNN-modeller.
• Visualisere og tolke resultater fra bildeklassifiseringsmodeller.

Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot mellomnivå- til avanserte nivå-ingeniører innen datamaskinviten, AI-utviklere og IoT-profesjonelle som ønsker å implementere og optimalisere datamaskinviten-modeller for sanstidsprosessering på edge-enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for Edge AI og dets anvendelser i datamaskinviten.
• Innstille optimaliserte dyplearning-modeller på edge-enheter for sanstidsbilde- og videoanalyse.
• Bruke rammeverk som TensorFlow Lite, OpenVINO og NVIDIA Jetson SDK for modellinnstilling.
• Optimalisere AI-modeller for ytelse, strømspareffektivitet og lav-latens-inferens.

Denne instruktørledede, live opplæringen på Norge (online eller på stedet) er rettet mot nybegynnere innen politi og rettsvesen som ønsker å gå fra manuell ansiktstegning til bruk av AI-verktøy for utvikling av ansiktsgjennkjenningsystemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper om Kunstig Intelligens og Maskinlæring.
• Lære grunnleggende om digital bildebehandling og dens anvendelse i ansiktsgjennkjenning.
• Utvikle ferdigheter i å bruke AI-verktøy og rammeverk for å lage ansiktsgjennkjenningsmodeller.
• Få praktisk erfaring med å opprette, trene og teste ansiktsgjennkjenningsystemer.
• Forstå etiske overveielser og beste praksis for bruk av ansiktsgjennkjenningsteknologi.

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
• Sy 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 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.

Dette instruktørbaserte, live-treningen i Norge (online eller på sted) er rettet mot nybegynner- og mellomnivå-forskere og laboratorieprofesjonelle som ønsker å behandle og analysere bilder relaterert til histologiske vev, blodceller, alger og andre biologiske prøver.

Ved slutt på denne treningen vil deltakerne kunne:

• Navigere i Fijis grensesnitt og bruke ImageJs kjernefunksjoner.
• Forbehandle og forbedre vitenskapelige bilder for bedre analyse.
• Analysere bilder kvantitativt, inkludert celle telling og arealmåling.
• Automatisere gjentakende oppgaver ved hjelp av makroer og plugins.
• Tilpasse arbeidsflyt for spesifikke bildeanalysebehov i biologisk forskning.

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 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 å bruke 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 lokalisere spesifiserte mønstre i et bilde. Den kan brukes til å bestemme eksistensen av spesifiserte egenskaper i et tatt bilde, for eksempel forventet etikett på et defekt produkt i 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 det spesifikt dikterer hva vi leter etter, og deretter forteller oss om det forventede mønsteret eksisterer eller ikke.

Kursets format

• Dette kurset introduserer tilnærmingene, teknologiene og algoritmene som brukes innen mønstertilpasning slik det gjelder Machine Vision.

Datalære innen bildebehandling er et felt som innebærer automatisk utvinning, analyse og forståelse av nyttig informasjon fra digitale medier. Python er et høynivå-programmeringsspråk kjent for sin klare syntaks og lesbarhet i kode.

I denne instruktør-ledede, live-treningen vil deltakerne lære grunnleggende prinsipper innen datalære om bildebehandling mens de går gjennom opprettelsen av et sett med enkle bildebehandlingsapplikasjoner ved hjelp av Python.

Ved slutten av denne treningen vil deltakerne være i stand til:

• Forstå grunnleggende prinsipper innen datalære om bildebehandling
• Bruk Python til å implementere bildebehandlingsoppgaver
• Bygge egne ansikts-, objekt- og bevegelsesdeteksjonssystemer

Målgruppe

• Python-programmerere interessert i datalære om bildebehandling

Kursformat

• Delvis forelesninger, delvis diskusjoner, øvelser og mye praktisk arbeid

Dette instructorledede, live treningen i Norge (online eller på stedet) er rettet mot mellomtrinnspersoner som ønsker å bruke Vision Builder AI til å designe, implementere og optimere automatiserte inspeksjonsystemer for SMT (Surface-Mount Technology) prosesser.

Ved sluttet av denne treningen vil deltakerne kunne:

• Sette opp og konfigurere automatiserte inspeksjoner ved hjelp av Vision Builder AI.
• Få tak i og forbehandle høykvalitetsbilder for analyse.
• Implementere logikkbaserte beslutninger for feilopptegning og prosessverifisering.
• Generere inspeksjonsrapporter og optimere systemytelse.

Denne instruktørlidende, live-treningen i Norge (online eller på stedet) er rettet mot backend-utviklere og datavitenskapsfolk som ønsker å inkorporere forhånds trenede YOLO-modeller i deres bedriftsdrivne programmer og implementere kostnadseffektive komponenter for objektdeteksjon.

Etter avslutning av denne treningen, vil deltakerne kunne:

Denne instruktørlede, live-treningen (online eller på sted) er rettet mot mellomnivå- og avanserte utviklere, forskere og datasientister som ønsker å lære å implementere realtidsobjektdeteksjon ved hjelp av YOLOv7.

Ved slutten av denne treningen vil deltakerne være i stand til:

• Forstå grunnleggende konsepter om objektdeteksjon.
• Installere og konfigurere YOLOv7 for objektdeteksjonsoppgaver.
• Trenge og teste egendefinerte objektdeteksjonsmodeller ved hjelp av YOLOv7.
• Integrere YOLOv7 med andre bildebehandlingsrammeverk og verktøy.
• Feilsøke vanlige problemer knyttet til YOLOv7-implementering.