Computer Vision Kurs i Norge

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-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.

CANN SDK (Compute Architecture for Neural Networks) tilbyr kraftige verktøy for implementering og optimalisering av realtid AI-applikasjoner i computer vision og NLP, spesielt på Huawei Ascend-hardware.

Denne instruktørførte, live-kurs (online eller på stedet) er rettet mot mellemnivå AI-praktikere som ønsker å bygge, implementere og optimalisere visjons- og språkmodeller ved hjelp av CANN SDK for produksjonsbruk.

Ved slutten av dette kurset vil deltakerne kunne:

• Implementere og optimalisere CV- og NLP-modeller ved hjelp av CANN og AscendCL.
• Bruke CANN-verktøy til å konvertere modeller og integrere dem i live-pipelines.
• Optimalisere inferensprestasjon for oppgaver som deteksjon, klassifisering og sentimentanalyse.
• Bygge realtid CV/NLP-pipelines for edge- eller skybaserte implementerings-scenarier.

Kursformat

• Interaktiv forelesning og demonstrasjon.
• Håndson laboratorium med modellimplementering og prestasjonsprofiling.
• Live-pipeline-design ved hjelp av reelle CV- og NLP-anvendelsesområder.

Kursjusteringsoptsjoner

• For å be om et tilpasset kurs, kontakt oss for å ordne det.

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 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.

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.

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 instruktørførte, live-kurs i Norge (online eller på stedet) er rettet mot mellom- til høy-nivå utviklere, forskere og datasientifikere som ønsker å lære hvordan man implementerer reeltids objekterkjenning ved hjelp av YOLOv7.

Ved slutten av dette kurset vil deltakerne kunne:

• Forstå de grunnleggende konseptene for objekterkjenning.
• Instalere og konfigurere YOLOv7 for objekterkjenning oppgaver.
• Trene og teste egendefinerte objekterkjenningsmodeller ved hjelp av YOLOv7.
• Integrere YOLOv7 med andre datavisjonsrammeverk og verktøy.
• Feilsøke vanlige problemer relatert til implementering av YOLOv7.

Fiji er et kraftig åpen kildekode-bildebehandlingspakke som samler ImageJ (et program designet for vitenskapelige, multidimensjonale bilder) sammen med et omfattende sett med tilleggsmoduler for vitenskapelig bildeanalyse.

I denne instruktør-ledede, live-opplæringen vil deltakerne lære hvordan man kan utnytte Fiji-distribusjonen og dens underliggende ImageJ-program for å lage robuste bildeanalyseapplikasjoner.

Am ende av denne opplæringen vil deltakerne være i stand til å:

• Bruk Fiji's avanserte programmeringsfunksjoner og programvarekomponenter for å utvide ImageJ-funksjonaliteten
• Lage store 3D-bilder fra overlappende fliser
• Automatisere oppdateringen av en Fiji-installasjon ved oppstart ved hjelp av det integrerte oppdateringssystemet
• Velge blant et bredt utvalg av skriptspråk for å bygge tilpassede bildeanalyiseløsninger
• Utnytt Fiji's kraftige biblioteker, som ImgLib, for å behandle store bioavbildningsdatasett effektivt
• Distribusjon av applikasjoner og effektivt samarbeid med andre forskere på lignende prosjekter

Format for kurset

• Interaktiv forelesning og diskusjon
• Utskreftige øvelser og praktisk anvendelse
• Hånd på praktisk implementering i et live-laboratoriummiljø

Alternativer for tilpasning av kurset

• Hvis du ønsker en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

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

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.

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: