Computer Vision Školení v České republice

Tento instruktorův živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé a pokročilé inženýry počítačového vidění, vývojáře AI a profesionály v oblasti IoT, kteří chtějí implementovat a optimalizovat modely počítačového vidění pro reálně časovou zpracování na hraničních zařízeních.

Do konce tohoto kurzu budou účastníci schopni:

• Porozumět základům Edge AI a jejím aplikacím v počítačovém vidění.
• Nasazovat optimalizované modely hlubokého učení na hraniční zařízení pro reálně časovou analýzu obrázků a videa.
• Používat frameworky jako TensorFlow Lite, OpenVINO a NVIDIA Jetson SDK pro nasazování modelů.
• Optimalizovat AI modely pro výkon, energetickou efektivitu a odolnost proti nízké latence.

Tuto vedenou instruktorem, živou školení v České republice (online nebo na místě) je zaměřeno na pokročilé odborníky, kteří si přejí hloubkověji pochopit počítačové vidění a využít možnosti TensorFlow pro vyvíjení sofistikovaných vizuálních modelů s využitím Google Colab.

Na konci tohoto školení budou účastníci schopni:

• Vytvářet a trénovat konvoluční neuronové sítě (CNN) pomocí TensorFlow.
• Využívat Google Colab pro škálovatelný a efektivní vývoj modelů na cloudu.
• Implementovat techniky předzpracování obrázků pro úlohy počítačového vidění.
• Nasazovat modely počítačového vidění do reálných aplikací.
• Používat transfer learning k zlepšení výkonu CNN modelů.
• Vizualizovat a interpretovat výsledky modelů klasifikace obrázků.

CANN SDK (Compute Architecture for Neural Networks) poskytuje výkonné nástroje pro nasazení a optimalizaci real-time AI aplikací v oblasti počítačového vidění a NLP, zejména na Huawei Ascend hardwaru.

Tuto školení pod vedením instruktora (online nebo na místě) je zaměřeno na středně pokročilé AI praktiky, kteří chtějí sestavit, nasadit a optimalizovat modely vidění a jazyka pomocí CANN SDK pro produkční případy použití.

Na konci tohoto školení budou účastníci schopni:

• Nasadit a optimalizovat modely CV a NLP pomocí CANN a AscendCL.
• Použít nástroje CANN k převodu modelů a jejich integraci do aktivních kanálů.
• Optimalizovat výkonnost inferencí pro úlohy jako je detekce, klasifikace a analýza názorů.
• Sestavit real-time kanály CV/NLP pro nasazení na hraničních zařízeních nebo v cloudu.

Formát kurzu

• Interaktivní přednáška a demonstrace.
• Praktické cvičení s nasazením modelů a profilací výkonu.
• Návrh aktivních kanálů pomocí reálných případů použití CV a NLP.

Možnosti přizpůsobení kurzu

• Pro požadavek na přizpůsobené školení se s námi, prosím, obraťte pro domluvu.

Tento vedený instruktorem, živý kurz (online nebo na místě) je zaměřen na středně pokročilé AI vývojáře a inženýry počítačového zpracování obrazu, kteří chtějí vybudit robustní systémy zpracování obrazu pro aplikace autonomního řízení.

Na konci tohoto kurzu budou účastníci schopni:

• Porozumět základním konceptům počítačového zpracování obrazu v autonomních vozidlech.
• Implementovat algoritmy pro detekci objektů, detekci jízdních pruhů a semantickou segmentaci.
• Integrovat systémy zpracování obrazu s ostatními podřízenými systémy autonomních vozidel.
• Aplikovat techniky hlubokého učení pro pokročilé úkoly vnímání.
• Posoudit výkon modelů počítačového zpracování obrazu v reálných situacích.

Tento instruktorův živý kurz v České republice (online nebo na místě) je určen pro začátečnické personál kriminální policie, kteří chtějí přejít z ručního tvářového kreslení k použití nástrojů umělé inteligence pro vyvíjení systémů rozpoznávání tváří.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům umělé inteligence a strojového učení.
• Získat základní znalosti o digitálním zpracování obrazu a jeho aplikaci v rozpoznávání tváří.
• Rozvíjet dovednosti ve využívání nástrojů a rámčových architektur umělé inteligence pro vytvoření modelů rozpoznávání tváří.
• Získejte praktické zkušenosti s vytvářením, tréninkem a testováním systémů rozpoznávání tváří.
• Porozumět etickým aspektům a nejlepším postupům při použití technologií rozpoznávání tváří.

Toto školitelovo prováděné živé školení v České republice (online nebo na místě) je zaměřeno na začínající až středně pokročilé výzkumníky a laboratorní pracovníky, kteří chtějí zpracovávat a analyzovat obrazy související s histologickými tkáními, krvekапу, řasami a jinými biologickými vzorky.

Na konci tohoto školení budou účastníci schopni:

• Pohybovat se v rozhraní Fiji a využívat základní funkce ImageJ.
• Předzpracovat a vylepšit vědecké obrazy pro lepší analýzu.
• Analyzovat obrazy kvantitativně, včetně počítání buněk a měření ploch.
• Automatizovat opakující se úkoly pomocí makroů a doplňků.
• Přizpůsobit pracovní postupy pro specifické potřeby analýzy obrazů v biologickém výzkumu.

Tento instruktážní živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé odborníky, kteří chtějí použít Vision Builder AI ke konstrukci, implementaci a optimalizaci automatických inspekčních systémů pro procesy SMT (Surface-Mount Technology).

Konec kurzu budou účastníci schopni:

• Nastavit a nakonfigurovat automatické inspekce pomocí Vision Builder AI.
• Získat a předzpracovat vysokokvalitní obrázky pro analýzu.
• Implementovat logická rozhodnutí pro detekci vad a validaci procesu.
• Vytvářet inspekční zprávy a optimalizovat výkon systému.

Toto instruktorem vedené, živé školení v České republice (online nebo na místě) je určené pro středně pokročilé až pokročilé vývojáře, výzkumníky a datové vědce, kteří chtějí naučit se implementovat reálně časovou detekci objektů pomocí YOLOv7.

Na konci tohoto školení budou účastníci schopni:

• Chápat základní koncepty detekce objektů.
• Nainstalovat a nakonfigurovat YOLOv7 pro úkoly detekce objektů.
• Trénovat a testovat vlastní modely detekce objektů pomocí YOLOv7.
• Integrovat YOLOv7 s jinými rámci a nástroji pro počítačové zpracování obrazu.
• Řešit běžné problémy související s implementací YOLOv7.

Fiji je výkonný open-source balíček pro zpracování obrazu, který obsahuje ImageJ (program určený pro vědecké vícedimenzionální obrazy) spolu s komplexní sadou pluginů pro vědeckou analýzu obrazu.

Při tomto tréninku vedeném instruktaží si účastníci osvojí, jak využít distribuci Fiji a její základní program ImageJ k vytvoření robustních aplikací pro analýzu obrazu.

Na konci tohoto školení budou účastníci schopni:

• Používat pokročilé programovací funkce a softwarové komponenty Fiji k rozšíření možností ImageJ
• Sestavovat velké 3D obrazy z překrývajících se dlaždic
• Automatizovat aktualizaci instalace Fiji při spuštění pomocí integrovaného systému aktualizací
• Vybrat si z široké škály skriptovacích jazyků pro vývoj vlastních řešení analýzy obrazu
• Využívat výkonné knihovny Fiji, jako je ImgLib, k efektivnímu zpracování velkých souborů bioobrazů
• Nasazovat aplikace a efektivně spolupracovat s ostatními vědci na podobných projektech

Formát kurzu

• Interaktivní přednáška a diskuze
• Obfrostné cvičení a praktické aplikace
• Praktické nasazení v prostředí živého laboratorního tréninku

Možnosti přizpůsobení kurzu

• Požadujete-li přizpůsobenou školení pro tento kurz, kontaktujte nás prosím pro dohodnutí.

OpenCV (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

Toto 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.

Pattern Matching je technika používaná k nalezení specifikovaných vzorů v obraze. Může být použit 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 kurzu

• Tento kurz seznamuje s přístupy, technologiemi a algoritmy používanými v oblasti porovnávání vzorů, jak se vztahuje na Machine Vision.

Počítačové vidění je oblast, která se zabývá automatickým extrahováním, analýzou a porozumění užitečným informacím z digitálních médií. Python je vysokoúrovňový programovací jazyk slavný svou čitelností kódu a jasnou syntaxí.

V tomto instruktorem vedeném živém školení se účastníci naučí základy počítačového vidění, zatímco postupně vytvářejí jednoduché aplikace počítačového vidění pomocí Pythonu.

Na konci tohoto školení budou účastníci schopni:

• Pochopit základy počítačového vidění
• Použít Python k realizaci úloh počítačového vidění
• Vytvořit vlastní systémy pro detekci obličeje, objektu a pohybu

Cílová skupina

• Python programátoři zaujatí počítačovým viděním

Formát kurzu

• Pouze přednáška, částečná diskuse, cvičení a intenzivní praktické cvičení

SimpleCV 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.

Toto školení vedené instruktorem (online nebo na místě) je určeno backend vývojářům a datovým odborníkům, kteří chtějí do svých podnikových programů začlenit pretrénované modely YOLO a implementovat nákladově efektivní komponenty pro detekci objektů.

Koncem tohoto školení budou účastníci schopni:

• Instalovat a konfigurovat nezbytné nástroje a knihovny pro detekci objektů pomocí YOLO.
• Přizpůsobit Pythonovské příkazové aplikace, které fungují na základě pretrénovaných modelů YOLO.
• Implementovat rámec pretrénovaných modelů YOLO pro různé projekty počítačového zpracování obrazu.
• Převádět existující datové sady pro detekci objektů do formátu YOLO.
• Chápat základní koncepty algoritmu YOLO pro počítačové zpracování obrazu a/nebo hluboké učení.