Real-Time Object Detection with YOLO Počítačový Kurz
YOLO (You Only Look Once) je algoritmus zaměřený na předškolené modely pro detekci objektů. Je testován Darknet neurálním sítím, což je ideální pro vývoj funkcí počítačového vidění založených na databázi COCO (Common Objects in Context). Nejnovější varianty YOLO rámce, YOLOv3-v4, umožňuje programům efektivně provádět položky a klasifikace úkolů při běhu v reálném čase.
Tento výcvik vedený instruktorem (online nebo on-site) je zaměřen na vývojáře a vědce údajů, kteří chtějí začlenit předškolené modely YOLO do svých programů řízených podnikem a implementovat nákladově efektivní komponenty pro detekci objektů.
Po ukončení tohoto tréninku budou účastníci schopni:
- Instalujte a nastavte potřebné nástroje a knihovny potřebné pro detekci objektů pomocí YOLO.
- Přizpůsobte Python příkazové aplikace, které pracují na základě předškolených modelů YOLO.
- Implementace rámce předškolených modelů YOLO pro různé projekty počítačové vize.
- Konvertovat stávající databáze pro detekci objektů do formátu YOLO.
- Pochopte základní pojmy algoritmu YOLO pro počítačovou vizi a/nebo hluboké učení.
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
Přehled funkcí a architektury předtrénovaných modelů YOLO
- Algoritmus YOLO Regresní algoritmy pro detekci objektů Jak se YOLO liší od RCNN?
Využití vhodné varianty YOLO
- Funkce a architektura YOLOv1-v2 Funkce a architektura YOLOv3-v4
Instalace a konfigurace IDE pro implementace YOLO
- Implementace Darknetu Implementace PyTorch a Keras spouštějící OpenCV a NumPy
Přehled detekce objektů pomocí předtrénovaných modelů YOLO
Vytváření a přizpůsobení Python aplikací příkazového řádku
- Označování obrázků pomocí rámce YOLO Klasifikace obrázků na základě datové sady
Detekce objektů na obrázcích pomocí implementací YOLO
- Jak fungují vymezovací boxy? Jak přesné je YOLO pro segmentaci instancí? Analýza argumentů příkazového řádku
Extrahování štítků, souřadnic a dimenzí třídy YOLO
Zobrazení výsledných obrázků
Detekce objektů ve videostreamech pomocí implementací YOLO
- Jak se liší od základního zpracování obrazu?
Školení a testování implementací YOLO na frameworku
Odstraňování problémů a ladění
Shrnutí a závěr
Požadavky
- Python Zkušenosti s programováním 3.x
- Základní znalost všech Python IDE
- Zkušenosti s Python argparse a argumenty příkazového řádku
- Pochopení počítačového vidění a knihoven strojového učení
- Pochopení základních algoritmů detekce objektů
Publikum
- Backend Vývojáři
- Data Scientists
Open Training Courses require 5+ participants.
Real-Time Object Detection with YOLO Počítačový Kurz - Booking
Real-Time Object Detection with YOLO Počítačový Kurz - Enquiry
Real-Time Object Detection with YOLO - Consultancy Enquiry
Reference (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
Kurz - Computer Vision with Python
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurz - Computer Vision with OpenCV
Upcoming Courses
Související kurzy
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.
Computer Vision with SimpleCV
14 hodinySimpleCV je open source framework – což znamená, že jde o kolekci knihoven a softwaru, které můžete použít k vývoji aplikací pro vidění. Umožňuje vám pracovat s obrázky nebo video streamy, které pocházejí z webových kamer, Kinectů, FireWire a IP kamer nebo mobilních telefonů. Pomáhá vám vytvářet software, díky kterému vaše různé technologie nejen vidí svět, ale také mu rozumí.
Publikum
Tento kurz je zaměřen na inženýry a vývojáře, kteří chtějí vyvíjet aplikace počítačového vidění pomocí SimpleCV.
Deep Learning for Vision with Caffe
21 hodinyCaffe je rámec pro hluboké učení vytvořený s ohledem na výraz, rychlost a modularitu.
Tento kurz zkoumá aplikaci Caffe jako rámce hlubokého učení pro rozpoznávání obrazu na příkladu MNIST
Publikum
Tento kurz je vhodný pro Deep Learning výzkumníky a inženýry, kteří se zajímají o využití Caffe jako frameworku.
Po absolvování tohoto kurzu budou delegáti schopni:
- porozumět struktuře a mechanismům nasazení Caffe provádět instalace / produkční prostředí / úkoly architektury a konfigurace hodnotit kvalitu kódu, provádět ladění, monitorovat implementovat pokročilou produkci, jako jsou tréninkové modely, implementace vrstev a protokolování
Computer Vision with Python
14 hodinyPočítačové vidění je obor, který zahrnuje automatické získávání, analýzu a pochopení užitečných informací z digitálních médií. Python je programovací jazyk na vysoké úrovni známý svou jasnou syntaxí a čitelností kódu.
V tomto živém školení vedeném instruktorem se účastníci naučí základy počítačového vidění při vytváření sady jednoduchých aplikací počítačového vidění pomocí Python.
Na konci tohoto školení budou účastníci schopni:
- Porozumět základům počítačového vidění Použijte Python k implementaci úkolů počítačového vidění Vybudujte si vlastní systémy detekce obličejů, objektů a pohybu
Publikum
- Python programátoři zajímající se o počítačové vidění
Formát kurzu
- Část přednáška, část diskuse, cvičení a těžké praktické cvičení