Real-Time Objektdeteksjon med YOLO 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

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.

Denne instruktørledede, live-treningen (online eller på sted) er rettet mot forskere og laboratorieprofesjoneller på begynnernivå til mellomnivå som ønsker å behandle og analysere bilder relatert til histologiske vev, blodceller, alger og andre biologiske prøver.

Ved slutten av denne treningen vil deltakerne kunne:

• Navigere i Fiji-grensesnittet og bruke ImageJs kjernefunksjoner.
• Forhåndsbehandle og forbedre vitenskapelige bilder for bedre analyse.
• Kvantitativt analysere bilder, inkludert celletelling og arealmåling.
• Automatisere gjentatte oppgaver ved hjelp av makroer og plug-ins.
• Tilpasse arbeidsflyter for spesifikke behov for bildeanalyse 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.

OpenFace 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 fra den virkelige verden som overvåking, identitetsverifisering, virtuell virkelighet, spill og identifisering av gjentakende kunder, etc.

Publikum

• Utviklere
• Dataforskere

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

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

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) osv. Deltakerne er selv ansvarlige for å kjøpe disse komponentene. Programvaren som brukes inkluderer OpenCV, Linux, Python osv.

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

Note

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

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

Publikum

Dette kurset er rettet mot ingeniører og utviklere som ønsker å utvikle datasynsapplikasjoner med SimpleCV.

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 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.