Hardware-Accelerated Video Analytics Treningskurs
Videoanalyse refererer til teknologien og teknikkene som brukes til å behandle en videostrøm. En vanlig applikasjon ville være å fange og identifisere live video hendelser gjennom bevegelsesdeteksjon, ansiktsgjenkjenning, folkemengde og kjøretøy counting, etc.
Denne instruktørledede, live-trening (online eller on-site) er rettet mot utviklere som ønsker å bygge maskinvare-accelerated objekt deteksjon og sporingsmodeller for å analysere streaming video data.
Ved slutten av denne treningen vil deltakerne være i stand til å:
- Installere og konfigurere det nødvendige utviklingsmiljøet, programvaren og biblioteket for å begynne å utvikle.
- Bygge, trene og implementere dyp læringsmodeller for å analysere live videofeeds.
- Identifiser, spor, segment og forutsi forskjellige objekter innenfor video-rammer.
- Optimalisere objektdeteksjon og sporingsmodeller.
- Utvikle en intelligent videoanalyse (IVA) applikasjon.
Format av kurset
- Interaktiv forelesning og diskusjon.
- Mange øvelser og praksis.
- Hands-on implementering i et live-lab miljø.
Kurs tilpassingsalternativer
- For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.
Kursplan
Introduksjon
Forstå maskinvareakselererte dekodingsmetoder
Oversikt over NVidia DeepStream SDK
Sette opp utviklingsmiljøet
Forbereder en videofeed
Behandler en videofeed
Trening av en Deep Learning modell
Hvordan overføringslæring fungerer
Forbedre modellens nøyaktighet gjennom overføringslæring
Utvikle en nevral nettverksmodell for å spore bevegelige objekter
Kjøre en Video Analytics Inference Engine
Utplassering av inferensmotoren
Integrering av en Deep Learning modell med en applikasjon
Implementering av en Intelligent Video Analytics-applikasjon (IVA).
Overvåking av applikasjonen
Optimalisering av inferensmotoren og applikasjonen
Feilsøking
Oppsummering og konklusjon
Krav
- En forståelse av dype nevrale nettverk
- Python og C programmeringserfaring
Publikum
- Utviklere
- Dataforskere
Open Training Courses require 5+ participants.
Hardware-Accelerated Video Analytics Treningskurs - Booking
Hardware-Accelerated Video Analytics Treningskurs - Enquiry
Hardware-Accelerated Video Analytics - Consultancy Enquiry
Testimonials (2)
Veldig interaktiv med ulike eksempler, med god progresjon i kompleksitet mellom start og slutt på treningen.
Jenny - Andheo
Kurs - GPU Programming with CUDA and Python
Machine Translated
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurs - Computer Vision with OpenCV
Upcoming Courses
Relaterte kurs
GPU Programming with CUDA and Python
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke CUDA til å bygge Python applikasjoner som kjører parallelt på NVIDIA GPUer.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Bruk Numba-kompilatoren til å akselerere Python applikasjoner som kjører på NVIDIA GPUer.
- Lag, kompiler og start egendefinerte CUDA-kjerner.
- Administrer GPU-minne.
- Konverter en CPU-basert applikasjon til en GPU-akselerert applikasjon.
Administration of CUDA
35 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot systemadministratorer og IT-fagfolk på nybegynnernivå som ønsker å installere, konfigurere, administrere og feilsøke CUDA-miljøer.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå arkitekturen, komponentene og egenskapene til CUDA.
- Installer og konfigurer CUDA-miljøer.
- Administrer og optimaliser CUDA-ressurser.
- Feilsøk og feilsøk vanlige CUDA-problemer.
OpenFace: Creating Facial Recognition Systems
14 timerOpenFace er Python og Torch basert åpen kildekode, sanntids ansiktsgjenkjenningsprogramvare basert på Googles FaceNet-forskning.
I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de bruker OpenFaces komponenter til å lage og distribuere en prøveapplikasjon for ansiktsgjenkjenning.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Arbeid med OpenFaces komponenter, inkludert dlib, OpenVC, Torch og nn4 for å implementere ansiktsgjenkjenning, justering og transformasjon. Bruk OpenFace på applikasjoner i den virkelige verden som overvåking, identitetsverifisering, virtuell virkelighet, spill og identifisering av gjentatte kunder osv. .
Publikum
- Utviklere Dataforskere
Format på kurset
- Del forelesning, del diskusjon, øvelser og tung praktisk praksis
Raspberry Pi + OpenCV for Facial Recognition
21 timerDenne 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.
Pattern Matching
14 timerPattern 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 .
Marvin Framework for Image and Video Processing
14 timerMarvin 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.
Scilab
14 timerScilab 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
21 timerPaddlePaddle (Parallel Distributed Deep LEarning) er en skalerbar dyp læringsplattform utviklet av Baidu.
I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de bruker PaddlePaddle for å muliggjøre dyp læring i produkt- og tjenesteapplikasjonene deres.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Konfigurer og konfigurer PaddlePaddle Konfigurer et konvolusjonelt nevralt nettverk (CNN) for bildegjenkjenning og objektdeteksjon Konfigurer et tilbakevendende nevralt nettverk (RNN) for sentimentanalyse Konfigurer dyp læring på anbefalingssystemer for å hjelpe brukere med å finne svar Forutsi gjennomklikk rates (CTR), klassifisere store bildesett, utføre optisk tegngjenkjenning (OCR), rangere søk, oppdage datavirus og implementere et anbefalingssystem.
Publikum
- Utviklere Dataforskere
Format på kurset
- Del forelesning, del diskusjon, øvelser og tung praktisk praksis
Fiji: Introduction to Scientific Image Processing
21 timerFiji 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.
Computer Vision with OpenCV
28 timerOpenCV (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
Python and Deep Learning with OpenCV 4
14 timerDenne 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.
Introduction to Stable Diffusion for Text-to-Image Generation
21 timerDenne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører og datasynsforskere som ønsker å utnytte Stable Diffusion til å generere bilder av høy kvalitet for en rekke bruksområder.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene for Stable Diffusion og hvordan det fungerer for bildegenerering. Bygg og tren Stable Diffusion-modeller for bildegenereringsoppgaver. Bruk Stable Diffusion på ulike scenarier for bildegenerering, for eksempel innpainting, outpainting og bilde-til-bilde-oversettelse. Optimaliser ytelsen og stabiliteten til Stable Diffusion-modeller.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot dataforskere på middels til avansert nivå, maskinlæringsingeniører, dyplæringsforskere og datasynseksperter som ønsker å utvide kunnskapen og ferdighetene sine innen dyp læring for tekst-til-bilde generering.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå avanserte dyplæringsarkitekturer og teknikker for tekst-til-bilde generering. Implementer komplekse modeller og optimaliseringer for bildesyntese av høy kvalitet. Optimaliser ytelse og skalerbarhet for store datasett og komplekse modeller. Juster hyperparametre for bedre modellytelse og generalisering. Integrer Stable Diffusion med andre dyplæringsrammer og verktøy