Computer Vision Školení v Prague

Tento instruktorův živý kurz v Prague (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.

Tento instruktorův kurz (na místě nebo online) je určen pokročilým profesionálům, kteří chtějí prohlубit své znalosti v oblasti počítačového zpracování obrazu azkoumat schopnosti TensorFlow pro rozvoj pokročilých vizuálních modelů pomocí Google Colab.

Po absolvování tohoto kurzu budou účastníci moci:

• Sestavovat a školení konvolučních neuronových sítí (CNNs) pomocí TensorFlow.
• Využívat Google Colab pro škálovatelný a efektivní vývoj modelů na základě cloudových technologií.
• Implementovat techniky předzpracování obrazu pro úlohy počítačového zpracování obrazu.
• Nasazovat modely počítačového zpracování obrazu do skutečných aplikací.
• Používat přenosné učení k posílení výkonu CNN modelů.
• Visualizovat a interpretovat výsledky modelů třídění obrazů.

SDK CANN (Compute Architecture for Neural Networks) poskytuje silné nástroje pro nasazení a optimalizaci pro reálně časové AI aplikace v oblasti počítačového vidění a NLP, zejména na hardwaru Huawei Ascend.

Tato instruktorově řízená živá školení (vzdáleně nebo na místě) je určeno pro středně pokročilé AI specialisty, kteří chtějí vytvářet, nasazovat a optimalizovat modely vidění a jazyka pomocí SDK CANN pro produkční případ použití.

Po absolvování tohoto školení budou účastníci moci:

• Nasadit a optimalizovat modely CV a NLP pomocí CANN a AscendCL.
• Používat nástroje CANN pro převod modelech a jejich integraci do živých datových zpracovávacích toků.
• Optimalizovat výkon předpovědí pro úkoly jako detekce, klasifikace nebo analýzu sentimentu.
• Vytvářet reálně časové CV/NLP datové zpracovávací toky pro nasazení v hranicích nebo na cloudových scénářích.

Formát kurzu

• Interaktivní přednáška a demonstrace.
• Praktické cvičení s nasazováním modelů a hodnocením výkonu.
• Živé návrhy datových zpracovávacích toků pomocí skutečných případů použití CV a NLP.

Možnosti vlastního vyzkoušení kurzu

• Pro žádost o individualizované školení pro tento kurz, kontaktujte nás prosím pro domluvu.

Toto školení vedené instruktorem, probíhající online nebo prezenčně, je určeno pro AI vývojáře a inženýry počítačového vidění střední úrovně, kteří chtějí vytvářet robustní systémy vidění pro aplikace autonomního řízení.

Na konci tohoto školení budou účastníci schopni:

• Pochopit základní koncepty počítačového vidění v autonomních vozidlech.
• Implementovat algoritmy pro detekci objektů, detekci jízdních pruhů a sémantickou segmentaci.
• Integrovat systémy vidění s dalšími podsystémy autonomních vozidel.
• Aplikovat techniky hlubokého učení pro pokročilé úkoly vnímání.
• Vyhodnotit výkon modelů počítačového vidění v reálných scénářích.

Tento instruktorův živý kurz v Prague (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.

Tento instruktorův kurz (online nebo na místě) je určen začínajícím a středně pokročilým výzkumníkům a laboratorním odborníkům, kteří chtějí zpracovávat a analyzovat obrázky související s histologickými tkáněmi, krvešťavými buněkami, algy a jinými biologickými vzorky.

Konec kurzu budou účastníci schopni:

• Navigovat v rozhraní Fiji a využít základní funkce ImageJ.
• Předzpracovat a zdokonalit vědecké obrázky pro lepší analýzu.
• Analyzovat obrázky kvantitativně, včetně počítání buněk a měření ploch.
• Automatizovat opakující se úkoly pomocí makr a pluginů.
• Přizpůsobit pracovní postupy pro specifické potřeby analýzy obrazů v biologickém výzkumu.

Tento instruktážní živý kurz v Prague (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 živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé vývojáře, výzkumníky a datové vědce, kteří se chtějí naučit implementovat detekci objektů v reálném čase pomocí YOLOv7.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základní koncepty detekce objektů.
• Nainstalujte a nakonfigurujte YOLOv7 pro úlohy detekce objektů.
• Trénujte a testujte vlastní modely detekce objektů pomocí YOLOv7.
• Integrujte YOLOv7 s dalšími frameworky a nástroji počítačového vidění.
• Odstraňte běžné problémy související s implementací YOLOv7.

Caffe 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

Fiji 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 Fiji k rozšíření ImageJ
• Spojte velké 3D obrázky z překrývajících se dlaždic
• Automaticky aktualizujte instalaci na Fidži při spuštění pomocí integrovaného aktualizačního systému
• Vyberte si ze širokého výběru skriptovacích jazyků a vytvořte vlastní řešení analýzy obrazu
• Používejte výkonné knihovny Fidži, jako je ImgLib, na velké datové sady bioimage
• Nasaďte jejich aplikaci a spolupracujte s dalšími vědci na podobných projektech

Formát kurzu

• Interaktivní přednáška a diskuze.
• Spousta cvičení a cvičení.
• Praktická implementace v prostředí živé laboratoře.

Možnosti přizpůsobení kurzu

• Chcete-li požádat o školení na míru pro tento kurz, kontaktujte nás a domluvíme se.

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 Prague (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.

OpenFace je Python a Torch otevřený software pro rozpoznávání obličeje v reálném čase 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:

• Pracujte s komponentami OpenFace, včetně dlib, OpenVC, Torch a nn4, abyste mohli implementovat detekci, zarovnání a transformaci obličeje
• Použijte OpenFace na aplikace v reálném světě, jako je sledování, ověřování identity, virtuální realita, hraní her a identifikace opakovaných zákazníků atd.

Publikum

• Vývojáři
• Datoví vědci

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

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 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:

• Pochopit základy Computer Vision
• Použít Python k implementaci úloh Computer Vision
• Vytvořit si vlastní systémy pro detekci obličejů, objektů a pohybu

Publikum

• Python programátoři se zájmem o Computer Vision

Formát kurzu

• Kombinace přednášek, diskusí, cvičení a intenzivní praktické výuky

Toto 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 odpovědní 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.

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 živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na back-endové vývojáře a datové vědce, kteří chtějí začlenit předem vyškolené YOLO modely do svých podnikových programů a implementovat nákladově efektivní komponenty pro objektové detekce.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte potřebné nástroje a knihovny potřebné pro detekci objektů pomocí YOLO.
• Přizpůsobte Python aplikace příkazového řádku, které fungují na základě předtrénovaných modelů YOLO.
• Implementujte rámec předem trénovaných modelů YOLO pro různé projekty počítačového vidění.
• Převeďte existující datové sady pro detekci objektů do formátu YOLO.
• Pochopte základní koncepty algoritmu YOLO pro počítačové vidění a/nebo hluboké učení.