Online Computer Vision Training in Norge

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot datasynsingeniører på middels til avansert nivå, AI-utviklere og IoT-fagfolk som ønsker å implementere og optimalisere datasynsmodeller for sanntidsbehandling på avanserte enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om Edge AI og dets applikasjoner i datasyn.
• Implementer optimaliserte dyplæringsmodeller på edge-enheter for bilde- og videoanalyse i sanntid.
• Bruk rammeverk som TensorFlow Lite, OpenVINO og NVIDIA Jetson SDK for modelldistribusjon.
• Optimaliser AI-modeller for ytelse, strømeffektivitet og slutning med lav latens.

Denne instruktørlede, live-trening i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å dyptgående forståelse av datamaskinens syn og utforske TensorFlow's muligheter for å utvikle sofistikerte synsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nørale nettverk (CNNs) ved hjelp av TensorFlow.
• Utnyttet Google Colab for skalbar og effektiv modellutvikling i skyen.
• Implementere bildebehandlingsteknikker for oppgaver innen datamaskinens syn.
• Utplasserer datamaskinens synsmodeller for virkelige applikasjoner.
• Bruker overføringslæring for å forbedre ytelsen av CNN-modeller.
• Visualiserer og tolker resultatene fra bildeklassifiseringsmodeller.

CANN SDK (Compute Architecture for Neural Networks) gir kraftige verktøy for distribusjon og optimering av sanntids AI-applikasjoner innen bildebehandling og NLP, spesielt på Huawei Ascend-hardware.

Denne instruktørledede liveopplæringen (online eller på stedet) er rettet mot AI-praktikanter på mellomnivå som ønsker å bygge, distribuere og optimalisere bilde- og språkmodeller ved hjelp av CANN SDK for produksjonsbruk.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Distribuerre og optimalisere CV- og NLP-modeller ved hjelp av CANN og AscendCL.
• Bruke CANN-verktøy til å konvertere modeller og integrere dem i levende rørledninger.
• Optimalisere inferensytelse for oppgaver som oppdagelse, klassifisering og meningsanalyse.
• Bygge sanntids CV/NLP-rørledninger for distribuering på kanten eller i skybaserte scenarier.

Kursformat

• Interaktiv forelesning og demonstrasjon.
• Hånds-på-laboratorium med modelldistribusjon og ytelsesprofilering.
• Levende rørledningsdesign ved bruk av ekte CV- og NLP-brukstilfeller.

Tilpassingsmuligheter for kurset

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot AI-utviklere og ingeniører innen datasyntese som ønsker å bygge robuste visionsystemer for selvkjørende applikasjoner.

Etter denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for datasyn i selvkjørende kjøretøy.
• Implementere algoritmer for objektgjenkjenning, filgjenkjenning og semantisk segmentering.
• Integrere visionsystemer med andre underordnede systemer i selvkjørende kjøretøy.
• Anvende teknikker for dyp læring for avanserte oppgavebehandlinger.
• Evaluere ytelsen til datasyntmodeller i virkelige scenarier.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot lovhåndhevelsespersonell på nybegynnernivå som ønsker å gå over fra manuell ansiktsskisse til bruk av AI-verktøy for å utvikle ansiktsgjenkjenningssystemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om kunstig intelligens og Machine Learning.
• Lær det grunnleggende om digital bildebehandling og dens bruk i ansiktsgjenkjenning.
• Utvikle ferdigheter i å bruke AI-verktøy og rammeverk for å lage ansiktsgjenkjenningsmodeller.
• Få praktisk erfaring med å lage, trene og teste ansiktsgjenkjenningssystemer.
• Forstå etiske hensyn og beste praksis ved bruk av ansiktsgjenkjenningsteknologi.

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.

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 instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere, forskere og datavitere på middels til avansert nivå som ønsker å lære hvordan man implementerer objektdeteksjon i sanntid ved hjelp av YOLOv7.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene for gjenstandsdeteksjon.
• Installer og konfigurer YOLOv7 for objektdeteksjonsoppgaver.
• Tren og test tilpassede objektdeteksjonsmodeller ved å bruke YOLOv7.
• Integrer YOLOv7 med andre datasynsrammer og verktøy.
• Feilsøk vanlige problemer knyttet til implementering av YOLOv7.

Caffe er en dyp læringsramme laget med uttrykk, hastighet og modularitet i tankene.

Dette kurset utforsker anvendelsen av Caffe som en Deep læringsramme for bildegjenkjenning ved bruk av MNIST som eksempel

Publikum

Dette kurset passer for Deep Learning forskere og ingeniører som er interessert i å bruke Caffe som rammeverk.

Etter fullført kurs vil delegatene kunne:

• forstå Caffe sin struktur og distribusjonsmekanismer
• utføre installasjons- / produksjonsmiljø / arkitekturoppgaver og konfigurasjon
• vurdere kodekvalitet, utfør feilsøking, overvåking
• implementere avansert produksjon som treningsmodeller, implementere lag og logging

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.

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.

Computer Vision er et felt som innebærer automatisk å trekke ut, analysere og forstå nyttig informasjon fra digitale medier. Python er et programmeringsspråk på høyt nivå kjent for sin klare syntaks og kodelesbarhet.

I denne instruktørledede, liveopplæringen, vil deltakerne lære det grunnleggende om Computer Vision når de går gjennom opprettelsen av et sett med enkel Computer Vision-applikasjon ved hjelp av Python .

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om Computer Vision
• Bruke Python til å implementere Computer Vision-oppgaver
• Bygge sine egne systemer for ansikts-, objekt- og bevegelsesdeteksjon

Publikum

• Python-programmerere som er interessert i Computer Vision

Kursets format

• Delvis forelesning, delvis diskusjon, øvelser og mye praktisk trening

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.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot backend-utviklere og dataforskere som ønsker å inkorporere forhåndstrente YOLO-modeller i sine bedriftsdrevne programmer og implementere kostnadseffektive komponenter for objekt- gjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer de nødvendige verktøyene og bibliotekene som kreves for objektdeteksjon ved hjelp av YOLO.
• Tilpass Python kommandolinjeapplikasjoner som opererer basert på YOLO forhåndstrente modeller.
• Implementere rammeverket til ferdigtrente YOLO-modeller for ulike datasynsprosjekter.
• Konverter eksisterende datasett for objektdeteksjon til YOLO-format.
• Forstå de grunnleggende konseptene til YOLO-algoritmen for datasyn og/eller dyp læring.