Hardware-Accelerated Video Analytics Treningskurs

Denne 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.

Denne 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.

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 (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.

Denne 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

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruke AlphaFold modeller som guider i sine eksperimentelle studier.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende prinsippene til AlphaFold.
• Finn ut hvordan AlphaFold fungerer.
• Lær hvordan du tolker AlphaFold spådommer og resultater.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å distribuere dyplæringsmodeller på innebygde enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Tensorflow Lite på en innebygd enhet.
• Forstå begrepene og komponentene som ligger til grunn TensorFlow Lite.
• Konverter eksisterende modeller til TensorFlow Lite-format for kjøring på innebygde enheter.
• Arbeid innenfor begrensningene til små enheter og TensorFlow Lite, mens du lærer hvordan du utvider omfanget av operasjoner som kan kjøres.
• Implementer en dyp læringsmodell på en innebygd enhet som kjører Linux.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å utvikle mobile applikasjoner med dyp læringsevne.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TensorFlow Lite.
• Forstå prinsippene bak TensorFlow, maskinlæring og dyp læring.
• Last TensorFlow-modeller på en Android-enhet.
• Aktiver dyp læring og maskinlæringsfunksjonalitet som datasyn og naturlig språkgjenkjenning i en mobilapplikasjon.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å skrive, laste og kjøre maskinlæringsmodeller på svært små innebygde enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer TensorFlow Lite.
• Last inn maskinlæringsmodeller på en innebygd enhet for å gjøre den i stand til å oppdage tale, klassifisere bilder osv.
• Legg til AI til maskinvareenheter uten å stole på nettverkstilkobling.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å utvikle iOS-mobilapplikasjoner med dyplæringsevner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer TensorFlow Lite.
• Forstå prinsippene bak TensorFlow og maskinlæring på mobile enheter.
• Last TensorFlow-modeller på en iOS-enhet.
• Kjør en iOS-applikasjon som er i stand til å oppdage og klassifisere et objekt fanget gjennom enhetens kamera.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot forskere og utviklere som ønsker å bruke Chainer til å bygge og trene nevrale nettverk i Python samtidig som koden er enkel å feilsøke.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle nevrale nettverksmodeller.
• Definer og implementer nevrale nettverksmodeller ved å bruke en forståelig kildekode.
• Utfør eksempler og modifiser eksisterende algoritmer for å optimalisere treningsmodeller for dyp læring mens du utnytter GPUer for høy ytelse.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere eller dataforskere som ønsker å bruke Horovod til å kjøre distribuert dyplæringstrening og skalere den opp til å kjøre på tvers av flere GPUer parallelt.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å kjøre dyplæringstreninger.
• Installer og konfigurer Horovod for å trene modeller med TensorFlow, Keras, PyTorch og Apache MXNet.
• Skaler dyplæringstrening med Horovod for å kjøre på flere GPUer.