Hardware-Accelerated Video Analytics Počítačový Kurz
Analýza videa se vztahuje na technologii a techniky používané k zpracování videa. Společnou aplikací by bylo zachycování a identifikace živých video událostí prostřednictvím detekce pohybu, rozpoznávání obličeje, hromady a počítání vozidel atd.
Tento instruktor vedený, živý trénink (online nebo on-site) je zaměřen na vývojáře, kteří chtějí vytvořit hardware-accelerated detekce objektů a sledování modely pro analýzu streamování video data.
Po ukončení tohoto tréninku budou účastníci schopni:
- Instalace a nastavení potřebného rozvojového prostředí, softwaru a knihovny k zahájení rozvoje.
- Vytvořte, trénujte a rozšiřujte modely hlubokého učení pro analýzu živých video feedů.
- Identifikovat, sledovat, segmentovat a předpovídat různé objekty v rámci video rámů.
- Optimalizace detekce objektů a sledování modelů.
- Využijte inteligentní aplikaci pro video analýzu (IVA).
Formát kurzu
- Interaktivní přednáška a diskuse.
- Mnoho cvičení a praxe.
- Hands-on implementace v živém laboratoři prostředí.
Možnosti personalizace kurzu
- Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
Návrh Školení
Úvod
Porozumění metodám hardwarově akcelerovaného dekódování
Přehled sady NVidia DeepStream SDK
Nastavení vývojového prostředí
Příprava videa
Zpracování video kanálu
Trénink modelu Deep Learning
Jak funguje přenosové učení
Zlepšení přesnosti modelu prostřednictvím přenosového učení
Vývoj modelu neuronové sítě pro sledování pohybujících se objektů
Spuštění nástroje Video Analytics Inference Engine
Nasazení Inference Engine
Integrace modelu Deep Learning s aplikací
Nasazení aplikace Intelligent Video Analytics (IVA).
Sledování aplikace
Optimalizace Inference Engine a aplikace
Odstraňování problémů
Shrnutí a závěr
Požadavky
- Pochopení hlubokých neuronových sítí
- Python a zkušenosti s programováním v C
Publikum
- Vývojáři
- Datoví vědci
Open Training Courses require 5+ participants.
Hardware-Accelerated Video Analytics Počítačový Kurz - Booking
Hardware-Accelerated Video Analytics Počítačový Kurz - Enquiry
Hardware-Accelerated Video Analytics - Consultancy Enquiry
Reference (2)
Velmi interaktivní s různými příklady, s dobrým postupem ve složitosti mezi začátkem a koncem školení.
Jenny - Andheo
Kurz - GPU Programming with CUDA and Python
Machine Translated
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurz - Computer Vision with OpenCV
Upcoming Courses
Související kurzy
GPU Programming with CUDA and Python
14 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře, kteří chtějí používat CUDA k vytváření Python aplikací, které běží paralelně na GPU NVIDIA.
Na konci tohoto školení budou účastníci schopni:
- Použijte kompilátor Numba k urychlení Python aplikací běžících na GPU NVIDIA.
- Vytvářejte, kompilujte a spouštějte vlastní jádra CUDA.
- Správa paměti GPU.
- Převeďte aplikaci založenou na CPU na aplikaci s akcelerací GPU.
Administration of CUDA
35 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začínající systémové administrátory a IT profesionály, kteří chtějí instalovat, konfigurovat, spravovat a odstraňovat problémy s prostředími CUDA.
Na konci tohoto školení budou účastníci schopni:
- Pochopte architekturu, komponenty a možnosti CUDA.
- Nainstalujte a nakonfigurujte prostředí CUDA.
- Spravujte a optimalizujte zdroje CUDA.
- Ladění a odstraňování běžných problémů CUDA.
OpenFace: Creating Facial Recognition Systems
14 hodinyOpenFace je open source software pro rozpoznávání obličejů v reálném čase založený na Pythonu a Torch založený na výzkumu FaceNet společnosti Google.
V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat komponenty OpenFace k vytvoření a nasazení ukázkové aplikace pro rozpoznávání obličeje.
Na konci tohoto školení budou účastníci schopni:
- Práce s komponentami OpenFace, včetně dlib, OpenVC, Torch a nn4 pro implementaci detekce, zarovnání a transformace obličeje Aplikujte OpenFace na aplikace v reálném světě, jako je sledování, ověřování identity, virtuální realita, hraní her a identifikace opakovaných zákazníků atd. .
Publikum
- Vývojáři Data vědci
Formát kurzu
- Část přednáška, část diskuse, cvičení a těžké praktické cvičení
Raspberry Pi + OpenCV for Facial Recognition
21 hodinyToto živé školení vedené instruktorem představuje software, hardware a postupný proces potřebný k vytvoření systému rozpoznávání obličeje od nuly. Rozpoznávání obličeje je také známé jako Face Recognition.
Hardware používaný v této laboratoři zahrnuje Rasberry Pi, kamerový modul, serva (volitelné) atd. Účastníci jsou zodpovědní za nákup těchto komponent sami. Použitý software zahrnuje OpenCV, Linux, Python atd.
Na konci tohoto školení budou účastníci schopni:
- Nainstalujte Linux, OpenCV a další softwarové nástroje a knihovny na Rasberry Pi. Nakonfigurujte OpenCV pro zachycení a detekci snímků obličeje. Pochopte různé možnosti balení systému Rasberry Pi pro použití v reálných prostředích. Přizpůsobte systém různým případům použití, včetně sledování, ověřování identity atd.
Formát kurzu
- Část přednáška, část diskuse, cvičení a těžké praktické cvičení
Poznámka
- Mezi další hardwarové a softwarové možnosti patří: Arduino, OpenFace, Windows atd. Pokud si přejete použít některou z těchto možností, kontaktujte nás, abychom se domluvili.
Pattern Matching
14 hodinyPattern Matching je technika používaná k vyhledání specifikovaných vzorů v obrázku. Lze jej použít k určení existence specifikovaných charakteristik v pořízeném snímku, například očekávaný štítek na vadném produktu v tovární lince nebo specifikované rozměry součásti. Liší se od „Pattern Recognition“ (který rozpoznává obecné vzory založené na větších kolekcích příbuzných vzorků) v tom, že konkrétně určuje, co hledáme, a pak nám říká, zda očekávaný vzor existuje nebo ne.
Formát kurzuTento kurz seznamuje s přístupy, technologiemi a algoritmy používanými v oblasti porovnávání vzorů, jak se vztahuje na Machine Vision.
Marvin Framework for Image and Video Processing
14 hodinyMarvin je rozšiřitelný, multiplatformní, open-source rámec pro zpracování obrázků a videa vyvinutý v Java. Vývojáři mohou používat Marvin k manipulaci s obrázky, extrahování prvků z obrázků pro klasifikační úlohy, algoritmické generování obrázků, zpracování datových sad video souborů a nastavení automatizace testování jednotek.
Některé z video aplikací Marvin zahrnují filtrování, rozšířenou realitu, sledování objektů a detekci pohybu.
V tomto instruktorem vedeném živém kurzu se účastníci naučí principy analýzy obrazu a videa a využijí Marvin Framework a jeho algoritmy pro zpracování obrazu ke konstrukci své vlastní aplikace.
Formát kurzu
- Nejprve jsou představeny základní principy analýzy obrazu, analýzy videa a Marvin Framework. Studenti dostávají projektové úkoly, které jim umožňují procvičit si naučené pojmy. Na konci kurzu budou mít účastníci vyvinutou vlastní aplikaci využívající Marvin Framework a knihovny.
Scilab
14 hodinyScilab je dobře vyvinutý, bezplatný a open source jazyk na vysoké úrovni pro manipulaci s vědeckými daty. Používá se pro statistiku, grafiku a animaci, simulaci, zpracování signálů, fyziku, optimalizaci a další, její centrální datovou strukturou je matice, která zjednodušuje mnoho typů problémů ve srovnání s alternativami, jako jsou FORTRAN a C deriváty. Je kompatibilní s jazyky jako C, Java a Python, takže je vhodný pro použití jako doplněk ke stávajícím systémům.
V tomto školení vedeném instruktorem se účastníci naučí výhody Scilab ve srovnání s alternativami, jako je Matlab, základy syntaxe Scilab a také některé pokročilé funkce a rozhraní s dalšími široce používanými jazyky, v závislosti na poptávce. Kurz bude zakončen krátkým projektem zaměřeným na zpracování obrazu.
Na konci tohoto školení budou mít účastníci přehled o základních funkcích a některých pokročilých funkcích Scilab a budou mít prostředky k dalšímu rozšiřování svých znalostí.
Publikum
- Datoví vědci a inženýři, zejména se zájmem o zpracování obrazu a rozpoznávání obličeje
Formát kurzu
- Část přednáška, část diskuse, cvičení a intenzivní praktická praxe se závěrečným projektem
PaddlePaddle
21 hodinyPaddlePaddle (PArallel Distributed Deep LEarning) je škálovatelná platforma pro hluboké učení vyvinutá společností Baidu.
V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat PaddlePaddle k umožnění hlubokého učení ve svých aplikacích produktů a služeb.
Na konci tohoto školení budou účastníci schopni:
- Nastavení a konfigurace PaddlePaddle Nastavení konvoluční neuronové sítě (CNN) pro rozpoznávání obrazu a detekci objektů Nastavení rekurentní neuronové sítě (RNN) pro analýzu sentimentu Nastavení hlubokého učení o systémech doporučení, které uživatelům pomůže najít odpovědi Předvídání prokliku sazby (CTR), klasifikovat soubory obrázků ve velkém měřítku, provádět optické rozpoznávání znaků (OCR), vyhledávat pořadí, detekovat počítačové viry a implementovat systém doporučení.
Publikum
- Vývojáři Data vědci
Formát kurzu
- Část přednáška, část diskuse, cvičení a těžké praktické cvičení
Fiji: Introduction to Scientific Image Processing
21 hodinyFiji je open-source balíček pro zpracování obrazu, který obsahuje ImageJ (program pro zpracování obrazu pro vědecké vícerozměrné obrazy) a řadu zásuvných modulů pro vědeckou analýzu obrazu.
V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat distribuci Fidži a její základní program ImageJ k vytvoření aplikace pro analýzu obrazu.
Na konci tohoto školení budou účastníci schopni:
- Použijte pokročilé programovací funkce a softwarové komponenty Fidži k rozšíření ImageJ Stitch velkých 3D obrázků z překrývajících se dlaždic Automaticky aktualizujte instalaci Fidži při spuštění pomocí integrovaného aktualizačního systému Vyberte si ze široké nabídky skriptovacích jazyků pro vytváření vlastních řešení analýzy obrázků Použijte výkonné knihovny Fidži, jako je např. jako ImgLib na velkých souborech bioimage Nasadit jejich aplikaci a spolupracovat s dalšími vědci na podobných projektech
Formát kurzu
- Interaktivní přednáška a diskuze. Spousta cvičení a praxe. Praktická implementace v prostředí živé laboratoře.
Možnosti přizpůsobení kurzu
- Chcete-li požádat o školení na míru pro tento kurz, kontaktujte nás a domluvíme se.
Computer Vision with OpenCV
28 hodinyOpenCV (Open Source Computer Vision Library: http://opencv.org) je open-source knihovna s licencí BSD, která obsahuje několik stovek algoritmů počítačového vidění.
Publikum
Tento kurz je zaměřen na inženýry a architekty, kteří chtějí využít OpenCV pro projekty počítačového vidění
Python and Deep Learning with OpenCV 4
14 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na softwarové inženýry, kteří chtějí programovat v Python s OpenCV 4 pro hluboké učení.
Na konci tohoto školení budou účastníci schopni:
- Zobrazte, načtěte a klasifikujte obrázky a videa pomocí OpenCV 4.
- Implementujte hluboké učení v OpenCV 4 pomocí TensorFlow a Keras.
- Spouštějte modely hlubokého učení a generujte působivé zprávy z obrázků a videí.
Introduction to Stable Diffusion for Text-to-Image Generation
21 hodinyToto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, inženýry strojového učení a výzkumníky počítačového vidění, kteří chtějí využít Stable Diffusion k vytvoření vysoce kvalitních obrázků pro různé případy použití.
Na konci tohoto školení budou účastníci schopni:
- Pochopte principy Stable Diffusion a jak to funguje pro generování obrázků. Vytvářejte a trénujte Stable Diffusion modely pro úlohy generování obrázků. Aplikujte Stable Diffusion na různé scénáře generování obrázků, jako je malování, překreslování a překlad z obrázku na obrázek. Optimalizujte výkon a stabilitu Stable Diffusion modelů.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 hodinyToto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé datové vědce, inženýry strojového učení, výzkumníky hlubokého učení a odborníky na počítačové vidění, kteří si chtějí rozšířit své znalosti a dovednosti v oblasti hlubokého učení. pro generování textu na obrázek.
Na konci tohoto školení budou účastníci schopni:
- Pochopte pokročilé architektury hlubokého učení a techniky pro generování textu na obrázek. Implementujte složité modely a optimalizace pro vysoce kvalitní syntézu obrazu. Optimalizujte výkon a škálovatelnost pro velké datové sady a složité modely. Vylaďte hyperparametry pro lepší výkon modelu a zobecnění. Integrujte Stable Diffusion s dalšími rámci a nástroji hlubokého učení