Computer Vision Školení v Prague

Toto živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na středně pokročilé až pokročilé inženýry počítačového vidění, vývojáře AI a profesionály IoT, kteří chtějí implementovat a optimalizovat modely počítačového vidění pro zpracování v reálném čase na okrajových zařízeních. Na konci tohoto školení budou účastníci schopni:

• Porozumět základům Edge AI a jeho aplikacím v počítačovém vidění.
• Nasaďte optimalizované modely hlubokého učení na okrajová zařízení pro analýzu obrazu a videa v reálném čase.
• Pro nasazení modelu používejte rámce jako TensorFlow Lite, OpenVINO a NVIDIA Jetson SDK.
• Optimalizujte modely umělé inteligence pro výkon, energetickou účinnost a odvození s nízkou latencí.

Toto živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na pokročilé profesionály, kteří chtějí prohloubit své porozumění počítačovému vidění a prozkoumat možnosti TensorFlow pro vývoj sofistikovaných modelů vidění pomocí Google Colab. Na konci tohoto školení budou účastníci schopni:

• Vytvářejte a trénujte konvoluční neuronové sítě (CNN) pomocí TensorFlow.
• Využijte Google Colab pro škálovatelný a efektivní vývoj cloudových modelů.
• Implementujte techniky předběžného zpracování obrazu pro úlohy počítačového vidění.
• Nasaďte modely počítačového vidění pro aplikace v reálném světě.
• Použijte přenosové učení ke zvýšení výkonu modelů CNN.
• Vizualizujte a interpretujte výsledky modelů klasifikace obrázků.

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.

Toto živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na pracovníky činných v trestním řízení na úrovni začátečníků, kteří chtějí přejít od ručního skicování obličeje k používání nástrojů AI pro vývoj systémů rozpoznávání obličejů. Na konci tohoto školení budou účastníci schopni:

• Pochopte základy umělé inteligence a Machine Learning.
• Naučte se základy digitálního zpracování obrazu a jeho aplikace při rozpoznávání obličeje.
• Rozvíjejte dovednosti v používání nástrojů a rámců umělé inteligence k vytváření modelů rozpoznávání obličejů.
• Získejte praktické zkušenosti s vytvářením, školením a testováním systémů rozpoznávání obličeje.
• Pochopte etická hlediska a osvědčené postupy při používání technologie rozpoznávání obličeje.

Toto živé školení vedené instruktorem v Prague (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé výzkumníky a laboratorní profesionály, kteří chtějí zpracovávat a analyzovat snímky související s histologickými tkáněmi, krvinkami, řasami a dalšími biologickými vzorky. Na konci tohoto školení budou účastníci schopni:

• Procházejte rozhraním Fidži a využívejte základní funkce ImageJ.
• Předzpracování a vylepšení vědeckých snímků pro lepší analýzu.
• Analyzujte obrázky kvantitativně, včetně počítání buněk a měření plochy.
• Automatizujte opakující se úlohy pomocí maker a pluginů.
• Přizpůsobte pracovní postupy specifickým potřebám analýzy obrazu 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.

Scilab 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

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.