Computer Vision with OpenCV Training Course

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.

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.

Caffe е рамка за дълбоко обучение, създадена с мисъл за изразяване, скорост и модулност.

Този курс изследва приложението на Caffe като рамка за задълбочено обучение за разпознаване на изображения, използвайки MNIST като пример

Публика

Този курс е подходящ за Deep Learning изследователи и инженери, които се интересуват от използването на Caffe като рамка.

След завършване на този курс делегатите ще могат да:

разбиране на структурата и механизмите за внедряване на Caffe изпълнява задачи по инсталация/производствена среда/архитектура и конфигурация оценява качеството на кода, извършва отстраняване на грешки, мониторинг прилага разширено производство като модели за обучение, прилагане на слоеве и регистриране

Marvin е разширяема, междуплатформена рамка за обработка на изображения и видео с отворен код, разработена в Java. Разработчиците могат да използват Marvin, за да манипулират изображения, да извличат характеристики от изображения за задачи за класификация, да генерират цифри алгоритмично, да обработват набори от данни за видеофайлове и да настройват автоматизация на единичен тест.

Някои от видео приложенията на Marvin включват филтриране, добавена реалност, проследяване на обекти и откриване на движение.

В този воден от инструктор, участниците на живо ще научат принципите на анализ на изображения и видео и ще използват Marvin рамката и нейните алгоритми за обработка на изображения, за да създадат свои собствени приложения.

Формат на курса

Първо се въвеждат основните принципи на анализ на изображения, видео анализ и Marvin Framework. На учениците се дават задачи, базирани на проекти, които им позволяват да практикуват научените концепции. До края на класа участниците ще са разработили свое собствено приложение, използвайки Marvin Framework и библиотеки.

Компютърното зрение е област, която включва автоматично извличане, анализиране и разбиране на полезна информация от цифрови медии. Python е език за програмиране на високо ниво, известен със своя ясен синтаксис и четливост на кода.

В това обучение на живо, водено от инструктор, участниците ще научат основите на компютърното зрение, докато преминават през създаването на набор от прости приложения за компютърно зрение с помощта на Python.

До края на това обучение участниците ще могат:

Разберете основите на компютърното зрение Използвайте Python за изпълнение на задачи за компютърно зрение Изградете свои собствени системи за откриване на лица, обекти и движение

Публика

Python програмисти, интересуващи се от компютърно зрение

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да създадат самоуправляваща се кола, използвайки техники за дълбоко обучение.

До края на това обучение участниците ще могат:

• Използвайте Keras за изграждане и обучение на конволюционна невронна мрежа.
• Използвайте техники за компютърно зрение, за да идентифицирате лентите в проект за автономно шофиране.
• Обучете модел за задълбочено обучение, за да различавате пътните знаци.
• Симулирайте напълно автономна кола.

SimpleCV е рамка с отворен код — което означава, че е колекция от библиотеки и софтуер, които можете да използвате за разработване на приложения за визуализация. Позволява ви да работите с изображения или видео потоци, които идват от уеб камери, Kinects, FireWire и IP камери или мобилни телефони. Помага ви да изградите софтуер, който да накара различните ви технологии не само да виждат света, но и да го разбират.

Публика

Този курс е насочен към инженери и разработчици, които искат да разработват приложения за компютърно зрение със SimpleCV.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици, които желаят да създадат хардуерно ускорени модели за откриване и проследяване на обекти, за да анализират поточни видео данни.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте необходимата среда за разработка, софтуер и библиотеки, за да започнете разработката.
• Изграждайте, обучавайте и внедрявайте модели за дълбоко обучение, за да анализирате видео емисии на живо.
• Идентифицирайте, проследявайте, сегментирайте и предвиждайте различни обекти във видео кадри.
• Оптимизирайте моделите за откриване и проследяване на обекти.
• Внедрете приложение за интелигентен видео анализ (IVA).

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към бекенд разработчици и учени по данни, които желаят да включат предварително обучени YOLO модели в своите корпоративни програми и да внедрят рентабилни компоненти за обектно- откриване.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте необходимите инструменти и библиотеки, необходими за откриване на обекти с помощта на YOLO.
• Персонализирайте Python приложения от командния ред, които работят въз основа на предварително обучени модели на YOLO.
• Внедрете рамката на предварително обучени YOLO модели за различни проекти за компютърно зрение.
• Конвертирайте съществуващите набори от данни за откриване на обекти във формат YOLO.
• Разберете основните концепции на алгоритъма YOLO за компютърно зрение и/или дълбоко обучение.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици на средно до напреднало ниво, изследователи и специалисти по данни, които искат да се научат как да прилагат откриване на обекти в реално време с помощта на YOLOv7.

До края на това обучение участниците ще могат:

• Разберете основните концепции за откриване на обекти.
• Инсталирайте и конфигурирайте YOLOv7 за задачи за откриване на обекти.
• Обучете и тествайте персонализирани модели за откриване на обекти с помощта на YOLOv7.
• Интегрирайте YOLOv7 с други рамки и инструменти за компютърно зрение.
• Отстраняване на често срещани проблеми, свързани с внедряването на YOLOv7.

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.