Deep Learning for Vision with Caffe Training Course

OpenCV (Библиотека за компютърно зрение с отворен код: http://opencv.org) е библиотека с отворен код, лицензирана за BSD, която включва няколко стотици алгоритми за компютърно зрение.

Публика

Този курс е насочен към инженери и архитекти, които искат да използват OpenCV за проекти за компютърно зрение

Това водено от инструктор обучение на живо въвежда софтуера, хардуера и процеса стъпка по стъпка, необходими за изграждане на система за лицево разпознаване от нулата. Разпознаването на лица е известно още като Face Recognition.

Хардуерът, използван в тази лаборатория, включва Rasberry Pi, модул на камерата, серво (по избор) и т.н. Участниците са отговорни за закупуването на тези компоненти сами. Използваният софтуер включва OpenCV, Linux Python и др.

До края на това обучение участниците ще могат:

Инсталирайте Linux OpenCV и други софтуерни помощни програми и библиотеки на Rasberry Pi. Конфигурирайте OpenCV за заснемане и откриване на изображения на лицето. Разберете различните опции за опаковане на система Rasberry Pi за използване в реални среди. Адаптирайте системата за различни случаи на употреба, включително наблюдение, проверка на самоличността и др.

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

Други хардуерни и софтуерни опции включват: Arduino, OpenFace, Windows и др. Ако желаете да използвате някое от тях, моля, свържете се с нас, за да уговорим.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към софтуерни инженери, които желаят да програмират в Python с OpenCV 4 за задълбочено обучение.

До края на това обучение участниците ще могат:

• Преглеждайте, зареждайте и класифицирайте изображения и видеоклипове с помощта на OpenCV 4.
• Приложете дълбоко обучение в OpenCV 4 с TensorFlow и Keras.
• Изпълнявайте модели за дълбоко обучение и генерирайте въздействащи отчети от изображения и видеоклипове.

Pattern Matching е техника, използвана за локализиране на определени модели в изображение. Може да се използва за определяне на съществуването на определени характеристики в заснето изображение, например очаквания етикет върху дефектен продукт във фабрична линия или определените размери на компонент. Той е различен от "Pattern Recognition" (който разпознава общи модели, базирани на по-големи колекции от свързани проби) по това, че конкретно диктува какво търсим, след което ни казва дали очакваният модел съществува или не.

Този курс представя подходите, технологиите и алгоритмите, използвани в областта на съпоставянето на шаблони, както се прилага към Machine Vision.

Това водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни, инженери по машинно обучение и изследователи на компютърно зрение, които желаят да използват Stable Diffusion за генериране на висококачествени изображения за различни случаи на употреба.

До края на това обучение участниците ще могат:

Разберете принципите на Stable Diffusion и как работи за генериране на изображения. Изградете и обучете Stable Diffusion модели за задачи за генериране на изображения. Приложете Stable Diffusion към различни сценарии за генериране на изображения, като вписване, изрисуване и превод от изображение към изображение. Оптимизирайте производителността и стабилността на Stable Diffusion модели.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни на средно до напреднало ниво, инженери по машинно обучение, изследователи в дълбокото обучение и експерти по компютърно зрение, които желаят да разширят знанията и уменията си в дълбокото обучение за генериране на текст към изображение.

До края на това обучение участниците ще могат:

Разберете усъвършенствани архитектури за дълбоко обучение и техники за генериране на текст към изображение. Внедрете сложни модели и оптимизации за висококачествен синтез на изображения. Оптимизирайте производителността и скалируемостта за големи набори от данни и сложни модели. Настройте хиперпараметрите за по-добра производителност и обобщение на модела. Интегрирайте Stable Diffusion с други рамки и инструменти за дълбоко обучение

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към биолози, които искат да разберат как AlphaFold работи и да използват AlphaFold модели като ръководства в своите експериментални изследвания.

До края на това обучение участниците ще могат:

• Разберете основните принципи на AlphaFold.
• Научете как работи AlphaFold.
• Научете как да интерпретирате AlphaFold прогнози и резултати.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за внедряване на модели за дълбоко обучение на вградени устройства.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Tensorflow Lite на вградено устройство.
• Разберете основните концепции и компоненти TensorFlow Lite.
• Конвертирайте съществуващи модели във формат TensorFlow Lite за изпълнение на вградени устройства.
• Работете в рамките на ограниченията на малките устройства и TensorFlow Lite, докато се научавате как да разширите обхвата на операциите, които могат да се изпълняват.
• Внедрете модел на задълбочено обучение на вградено устройство, работещо под Linux.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за разработване на мобилни приложения с възможности за дълбоко обучение.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте TensorFlow Lite.
• Разберете принципите зад TensorFlow, машинното обучение и дълбокото обучение.
• Заредете TensorFlow модели на устройство с Android.
• Активирайте функции за задълбочено обучение и машинно обучение, като компютърно зрение и разпознаване на естествен език в мобилно приложение.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към инженери, които желаят да пишат, зареждат и изпълняват модели за машинно обучение на много малки вградени устройства.

До края на това обучение участниците ще могат:

• Инсталирайте TensorFlow Lite.
• Заредете модели за машинно обучение на вградено устройство, за да му позволите да открива реч, да класифицира изображения и т.н.
• Добавете AI към хардуерни устройства, без да разчитате на мрежова свързаност.

Това водено от инструктор обучение на живо (онлайн или на място) е насочено към разработчици, които желаят да използват TensorFlow Lite за разработване на мобилни приложения за iOS с възможности за дълбоко обучение.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте TensorFlow Lite.
• Разберете принципите зад TensorFlow и машинното обучение на мобилни устройства.
• Заредете TensorFlow модели на iOS устройство.
• Стартирайте iOS приложение, способно да открие и класифицира обект, заснет от камерата на устройството.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към изследователи и разработчици, които желаят да използват Chainer за изграждане и обучение на невронни мрежи в Python, като същевременно правят кода лесен за отстраняване на грешки.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка, за да започнете да разработвате модели на невронни мрежи.
• Дефинирайте и внедрявайте модели на невронни мрежи, като използвате разбираем изходен код.
• Изпълнявайте примери и модифицирайте съществуващите алгоритми, за да оптимизирате моделите за обучение за задълбочено обучение, като същевременно използвате GPU за висока производителност.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици или специалисти по данни, които желаят да използват Horovod за провеждане на разпределени обучения за задълбочено обучение и да го мащабират, за да работят паралелно на множество GPU.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка, за да започнете да провеждате обучения за дълбоко обучение.
• Инсталирайте и конфигурирайте Horovod за обучение на модели с TensorFlow, Keras, PyTorch и Apache MXNet.
• Мащабирайте обучението за дълбоко обучение с Horovod, за да работите на множество графични процесори.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, които желаят да ускорят приложенията за машинно обучение в реално време и да ги внедрят в мащаб.

До края на това обучение участниците ще могат:

• Инсталирайте OpenVINO инструментариума.
• Ускорете приложение за компютърно зрение с помощта на FPGA.
• Изпълнете различни CNN слоеве на FPGA.
• Мащабирайте приложението в множество възли в клъстер на Kubernetes.

Това водено от инструктор обучение на живо (онлайн или на място) е насочено към специалисти по данни, които желаят да използват Apache MXNet за изграждане и внедряване на модел за дълбоко обучение за разпознаване на изображения.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Apache MXNet и неговите компоненти.
• Разберете архитектурата и структурите на данните на MXNet.
• Използвайте API от ниско и високо ниво на Apache MXNet за ефективно изграждане на невронни мрежи.
• Изградете конволюционна невронна мрежа за класифициране на изображения.