Курс за обучение по Computer Vision with SimpleCV
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.
План на курса
Приготвяме се да започнем
- Инсталация
Уроци и примери
- SimpleCV Shell SimpleCV Basics Програмата Hello World Взаимодействие с дисплея Зареждане на директория с изображения Kinect Timing на макроси Откриване на автомобил Сегментиране на изображението и морфологията Аритметични изключения в изображението Хистограми на математиката Цветово пространство Използване на Hue Peaks Създаване на Motion Blur Effect Симулиране на дълга експозиция Chroma Key (Зелен екран)
Изисквания
Владеене на следните езици:
- Python
Отворените курсове за обучение изискват 5+ участници.
Курс за обучение по Computer Vision with SimpleCV - Booking
Курс за обучение по Computer Vision with SimpleCV - Enquiry
Computer Vision with SimpleCV - Консултантско запитване
Oтзиви от потребители (2)
Trainer was very knowlegable and very open to feedback on what pace to go through the content and the topics we covered. I gained alot from the training and feel like I now have a good grasp of image manipulation and some techniques for building a good training set for an image classification problem.
Anthea King - WesCEF
Course - Computer Vision with Python
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Course - Computer Vision with OpenCV
Upcoming Courses
Свързани Kурсове
OpenFace: Creating Facial Recognition Systems
14 ЧасаOpenFace е базиран на Python и Torch софтуер с отворен код за лицево разпознаване в реално време, базиран на изследването на Google FaceNet.
В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват компонентите на OpenFace, за да създадат и внедрят примерно приложение за лицево разпознаване.
До края на това обучение участниците ще могат:
- Работете с компонентите на OpenFace, включително dlib, OpenVC, Torch и nn4, за да реализирате разпознаване на лица, подравняване и трансформация Прилагайте OpenFace към приложения от реалния свят като наблюдение, проверка на самоличността, виртуална реалност, игри и идентифициране на повтарящи се клиенти и т.н. .
Публика
- Разработчици Учени по данни
Формат на курса
- Част лекция, част дискусия, упражнения и тежка практическа практика
Raspberry Pi + OpenCV for Facial Recognition
21 ЧасаТова 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.
Pattern Matching
14 ЧасаPattern 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.
Формат на курсаТози курс представя подходите, технологиите и алгоритмите, използвани в областта на съпоставянето на шаблони, както се прилага към Machine Vision.
Marvin Framework for Image and Video Processing
14 ЧасаMarvin 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.
Scilab
14 ЧасаScilab е добре разработен, безплатен език с отворен код на високо ниво за манипулиране на научни данни. Използва се за статистика, графики и анимация, симулация, обработка на сигнали, физика, оптимизация и много други, неговата централна структура от данни е матрицата, опростяваща много видове проблеми в сравнение с алтернативи като FORTRAN и C производни. Той е съвместим с езици като C, Java и Python, което го прави подходящ за използване като допълнение към съществуващи системи.
В това водено от инструктор обучение участниците ще научат предимствата на Scilab в сравнение с алтернативи като Matlab, основите на Scilab синтаксиса, както и някои разширени функции и интерфейс с други широко използвани езици, в зависимост от търсенето. Курсът ще завърши с кратък проект, фокусиран върху обработката на изображения.
До края на това обучение участниците ще имат представа за основните функции и някои разширени функции на Scilab и ще имат ресурсите да продължат да разширяват знанията си.
Публика
- Учени и инженери по данни, особено с интерес към обработката на изображения и разпознаването на лица
Формат на курса
- Част лекция, част дискусия, упражнения и интензивна практическа практика с финален проект
PaddlePaddle
21 ЧасаPaddlePaddle (PArallel Distributed Deep LEarning) е мащабируема платформа за дълбоко обучение, разработена от Baidu.
В това обучение на живо, водено от инструктор, участниците ще се научат как да използват PaddlePaddle, за да позволят задълбочено обучение в техните приложения за продукти и услуги.
До края на това обучение участниците ще могат:
- Настройте и конфигурирайте PaddlePaddle Настройте конволюционна невронна мрежа (CNN) за разпознаване на изображения и откриване на обекти Настройте повтаряща се невронна мрежа (RNN) за анализ на настроението Настройте задълбочено обучение на системи за препоръки, за да помогнете на потребителите да намерят отговори Предсказвайте кликвания проценти (CTR), класифицират широкомащабни набори от изображения, извършват оптично разпознаване на символи (OCR), класират търсения, откриват компютърни вируси и прилагат система за препоръки.
Публика
- Разработчици Учени по данни
Формат на курса
- Част лекция, част дискусия, упражнения и тежка практическа практика
Fiji: Introduction to Scientific Image Processing
21 ЧасаFiji е пакет за обработка на изображения с отворен код, който обединява ImageJ (програма за обработка на изображения за научни многоизмерни изображения) и редица добавки за научен анализ на изображения.
В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват дистрибуцията на Фиджи и основната програма ImageJ, за да създадат приложение за анализ на изображения.
До края на това обучение участниците ще могат:
- Използвайте усъвършенстваните функции за програмиране и софтуерните компоненти на Фиджи, за да разширите ImageJ Свържете големи 3d изображения от припокриващи се плочки Автоматично актуализирайте инсталация на Фиджи при стартиране с помощта на интегрираната система за актуализиране Изберете от широк избор от скриптови езици, за да създадете персонализирани решения за анализ на изображения Използвайте мощните библиотеки на Фиджи, като като ImgLib върху големи набори от данни за биоизображения Разположете тяхното приложение и си сътрудничете с други учени по подобни проекти
Формат на курса
- Интерактивна лекция и дискусия. Много упражнения и практика. Практическо внедряване в лабораторна среда на живо.
Опции за персонализиране на курса
- За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.
Computer Vision with OpenCV
28 ЧасаOpenCV (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
Python and Deep Learning with OpenCV 4
14 ЧасаТова 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.
Deep Learning for Vision with Caffe
21 ЧасаCaffe 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
Computer Vision with Python
14 ЧасаКомпютърното 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
Deep Learning for Self Driving Cars
21 ЧасаТова 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.