Computer Vision Training Courses

SimpleCV is an open source framework — meaning that it is a collection of libraries and software that you can use to develop vision applications. It lets you work with the images or video streams that come from webcams, Kinects, FireWire and IP cameras, or mobile phones. It’s helps you build software to make your various technologies not only see the world, but understand it too.

Audience

This course is directed at engineers and developers seeking to develop computer vision applications with SimpleCV.

Caffe is a deep learning framework made with expression, speed, and modularity in mind.

This course explores the application of Caffe as a Deep learning framework for image recognition using MNIST as an example

Audience

This course is suitable for Deep Learning researchers and engineers interested in utilizing Caffe as a framework.

After completing this course, delegates will be able to:

- understand Caffe’s structure and deployment mechanisms
- carry out installation / production environment / architecture tasks and configuration
- assess code quality, perform debugging, monitoring
- implement advanced production like training models, implementing layers and logging

Marvin is an extensible, cross-platform, open-source image and video processing framework developed in Java. Developers can use Marvin to manipulate images, extract features from images for classification tasks, generate figures algorithmically, process video file datasets, and set up unit test automation.

Some of Marvin's video applications include filtering, augmented reality, object tracking and motion detection.

In this instructor-led, live course participants will learn the principles of image and video analysis and utilize the Marvin Framework and its image processing algorithms to construct their own application.

Format of the Course

- The basic principles of image analysis, video analysis and the Marvin Framework are first introduced. Students are given project-based tasks which allow them to practice the concepts learned. By the end of the class, participants will have developed their own application using the Marvin Framework and libraries.

Computer Vision is a field that involves automatically extracting, analyzing, and understanding useful information from digital media. Python is a high-level programming language famous for its clear syntax and code readibility.

In this instructor-led, live training, participants will learn the basics of Computer Vision as they step through the creation of set of simple Computer Vision application using Python.

By the end of this training, participants will be able to:

- Understand the basics of Computer Vision
- Use Python to implement Computer Vision tasks
- Build their own face, object, and motion detection systems

Audience

- Python programmers interested in Computer Vision

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice

This instructor-led, live training in България (online or onsite) is aimed at developers who wish to build a self-driving car using deep learning techniques.

By the end of this training, participants will be able to:

- Use Keras to build and train a convolutional neural network.
- Use computer vision techniques to identify lanes in an autonomos driving project.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.

Видеоанализът се отнася до технологиите и техниките, използвани за обработка на видео поток. Едно общо приложение ще бъде записването и идентифицирането на живо видео събития чрез откриване на движението, разпознаване на лицето, тълпата и броя на превозните средства и т.н.

Това обучение, ръководено от инструктори (онлайн или онлайн) е насочено към разработчици, които искат да изградят хардуерно ускорени модели за откриване на обекти и проследяване, за да анализират поточните видео данни.

В края на обучението участниците ще могат да:

Инсталирайте и конфигурирайте необходимата среда за развитие, софтуер и библиотеки, за да започнете да се развива. Изградете, обучете и внедрете модели за дълбоко обучение, за да анализирате живите видеоклипове. Идентифициране, проследяване, сегментиране и прогнозиране на различни обекти в рамките на видео рамки. Оптимизирайте моделите за откриване и проследяване на обекти. Разработване на приложение за интелигентна видеоаналитика (IVA).

Формат на курса

Интерактивна лекция и дискусия. Много упражнения и упражнения. Изпълнение на ръката в живо лабораторна среда.

Опции за персонализиране на курса

За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.

YOLO (You Only Look Once) е алгоритъм, който се превръща в предварително обучени модели за откриване на обекти. Тя е тествана от Darknet Neural Network Framework, което го прави идеален за разработване на компютърна визия функции въз основа на COCO (Common Objects in Context) база данни. Най-новите варианти на YOLO рамката, YOLOv3-v4, позволяват на програмите ефективно да изпълняват обекти, които локализират и класифицират задачите, докато работят в реално време.

Това обучение, ръководено от инструктори (онлайн или онлайн) е насочено към разработчици и учени на данни, които искат да включат предварително обучени модели YOLO в своите програми, ръководени от предприятията, и да внедрят икономически ефективни компоненти за откриване на обекти.

В края на обучението участниците ще могат да:

Инсталиране и конфигуриране на необходимите инструменти и библиотеки, необходими за откриване на обекти с помощта на YOLO. Персонализирайте Python приложенията на командната линия, които работят въз основа на предварително обучени модели на YOLO. Извършване на рамката на предварително обучени YOLO модели за различни проекти за компютърна визия. Конвертирайте съществуващите набори данни за откриване на обекти в YOLO формат. Разберете основните концепции на YOLO алгоритъма за компютърна визия и / или дълбоко учене.

Формат на курса

Интерактивна лекция и дискусия. Много упражнения и упражнения. Изпълнение на ръката в живо лабораторна среда.

Опции за персонализиране на курса

За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.

Pattern Matching is a technique used to locate specified patterns within an image. It can be used to determine the existence of specified characteristics within a captured image, for example the expected label on a defective product in a factory line or the specified dimensions of a component. It is different from "Pattern Recognition" (which recognizes general patterns based on larger collections of related samples) in that it specifically dictates what we are looking for, then tells us whether the expected pattern exists or not.

Format of the Course

- This course introduces the approaches, technologies and algorithms used in the field of pattern matching as it applies to Machine Vision.

OpenCV (Open Source Computer Vision Library: http://opencv.org) is an open-source BSD-licensed library that includes several hundreds of computer vision algorithms.

Audience

This course is directed at engineers and architects seeking to utilize OpenCV for computer vision projects

This instructor-led, live training introduces the software, hardware, and step-by-step process needed to build a facial recognition system from scratch. Facial Recognition is also known as Face Recognition.

The hardware used in this lab includes Rasberry Pi, a camera module, servos (optional), etc. Participants are responsible for purchasing these components themselves. The software used includes OpenCV, Linux, Python, etc.

By the end of this training, participants will be able to:

- Install Linux, OpenCV and other software utilities and libraries on a Rasberry Pi.
- Configure OpenCV to capture and detect facial images.
- Understand the various options for packaging a Rasberry Pi system for use in real-world environments.
- Adapt the system for a variety of use cases, including surveillance, identity verification, etc.

Format of the course

- Part lecture, part discussion, exercises and heavy hands-on practice

Note

- Other hardware and software options include: Arduino, OpenFace, Windows, etc. If you wish to use any of these, please contact us to arrange.

OpenCV е библиотека на програмиране функции за дешифриране на изображения с компютърни алгоритми. OpenCV 4 е най-новата версия OpenCV и осигурява оптимизирана модулност, актуализирани алгоритми и др. С OpenCV 4 и Python, потребителите ще могат да виждат, зареждат и класифицират изображения и видеоклипове за напреднало разпознаване на изображенията.

Това обучение, ръководено от инструктори, на живо (онлайн или онлайн) е насочено към софтуерни инженери, които искат да програмират в Python с OpenCV 4 за дълбоко обучение.

В края на обучението участниците ще могат да:

Преглеждайте, зареждайте и класифицирайте изображения и видеоклипове, като използвате OpenCV 4. В него се изяснява, че в четвърти и четвърти раздел се изяснява, че в него се изяснява. Извършете модели за дълбоко обучение и генерирайте влиятелни отчети от изображения и видеоклипове.

Формат на курса

Интерактивна лекция и дискусия. Много упражнения и упражнения. Изпълнение на ръката в живо лабораторна среда.

Опции за персонализиране на курса

За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.