Computer Vision with SimpleCV Kurzusok
A SimpleCV egy nyílt forráskódú keret, ami azt jelenti, hogy könyvtárak és szoftverek gyűjteménye, amelyeket a látásalkalmazások fejlesztésére használhat. Lehetővé teszi a webkamerákból, Kinect-ekből, FireWire és IP-kamerákból vagy mobiltelefonokból származó képeket vagy videófolyamokat. Ez segít a szoftverek megalkotásában, hogy a különböző technológiák ne csak a világot láthassák, hanem azt is megértsék.
Közönség
Ez a kurzus olyan mérnökökre és fejlesztőkre irányul, akik számítógépes látásalkalmazásokat kívánnak fejleszteni a SimpleCV-vel.
Kurzusleírás
Elkezdeni
- Telepítés
Oktatóanyagok és példák
- SimpleCV Shell
- Egyszerű CV alapok
- A Hello World program
- Interakció a kijelzővel
- Képkönyvtár betöltése
- Makrók
- Kinect
- Időzítés
- Autó észlelése
- A kép és a morfológia szegmentálása
- Kép Aritmetika
- Kivételek az Image Math-ban
- Hisztogramok
- Színtér
- Hue Peaks használata
- Mozgásos elmosódás effektus létrehozása
- Hosszú expozíció szimulálása
- Chroma Key (zöld képernyő)
- Rajzolás képekre a SimpleCV-ben
- Rétegek
- A kép megjelölése
- Szöveg és betűtípusok
- Egyedi megjelenítési objektum készítése
Követelmények
Az alábbi nyelvek ismerete:
- Python
A nyílt képzésekhez 5+ résztvevő szükséges.
Computer Vision with SimpleCV Kurzusok - Foglalás
Computer Vision with SimpleCV Kurzusok - Vizsgálat
Computer Vision with SimpleCV - Érdeklődjön a vezetői tanácsadásról!
Vélemények (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
Kurzus - Computer Vision with Python
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurzus - Computer Vision with OpenCV
Közelgő kurzusok
Rokon tanfolyam
OpenFace: Creating Facial Recognition Systems
14 ÓrákRaspberry Pi + OpenCV for Facial Recognition
21 ÓrákPattern Matching
14 ÓrákA mintaegyeztetés egy olyan módszer, amellyel meghatározzák a képen meghatározott mintákat. Ez felhasználható annak meghatározására, hogy a rögzített képen belül vannak-e meghatározott jellemzők, például a hibás termék várt címkéje a gyári sorban vagy az alkatrész meghatározott méretei. Ez különbözik a " Pattern Recognition " -től (amely a kapcsolódó minták nagyobb gyűjteményein alapuló általános mintákat ismeri fel) abban, hogy kifejezetten diktálja, mit keresünk, majd megmondja nekünk, hogy a várt minta létezik-e vagy sem.
A tantárgy formátuma
- Ez a tanfolyam bemutatja a mintázat-illesztés területén alkalmazott megközelítéseket, technológiákat és algoritmusokat, ahogy ez a Machine Vision .
Marvin Framework for Image and Video Processing
14 ÓrákMarvin egy kiterjeszthető, platformok közötti, nyílt forrású kép- és videófeldolgozási keret, amelyet Java fejlesztettek ki. A fejlesztők a Marvin használatával képeket tudnak manipulálni, képeket képeket vonnak ki osztályozási feladatok elvégzésére, algoritmikusan generálnak számokat, feldolgozzák a videofájlok adatkészleteit, és beállíthatják az egységteszt automatizálását.
A Marvin néhány videoalkalmazása magában foglalja a szűrést, a kibővített valóságot, az objektumkövetést és a mozgásérzékelést.
Ebben az oktató által vezetett élő kurzus résztvevői megtanulják a kép- és videóanalízis alapelveit, és felhasználják a Marvin Framework-t és annak képfeldolgozó algoritmusait saját alkalmazásuk felépítéséhez.
A tantárgy formátuma
- Elsőként bemutatják a képanalízis, a Marvin és a Marvin keretrendszer alapelveit. A hallgatók projekt alapú feladatokat kapnak, amelyek lehetővé teszik számukra a megtanult fogalmak gyakorlását. Az osztály végére a résztvevők kidolgozzák saját alkalmazásukat a Marvin keretrendszer és a könyvtárak segítségével.
Scilab
14 ÓrákScilab egy fejlett, ingyenes és nyílt forrású, magas szintű nyelv a tudományos adatok manipulálásához. Statisztikához, grafikához és animációhoz, szimulációhoz, jelfeldolgozáshoz, fizikához, optimalizáláshoz és még sok máshoz használható, központi adatstruktúrája a mátrix, egyszerűsítve sokféle típusú problémát az alternatívákhoz képest, mint például a FORTRAN és a C származékok. Kompatibilis olyan nyelvekkel, mint a C, a Java és a Python , és alkalmassá teszi a meglévő rendszerek kiegészítésére.
Ebben az oktató által vezetett képzésben a résztvevők megtanulják a Scilab előnyeit az olyan alternatívákhoz képest, mint például a Matlab, a Scilab szintaxisának alapjait, valamint néhány fejlett funkciót, és interfészt más széles körben használt nyelvekkel, igénytől függően. A tanfolyam egy rövid, a képfeldolgozásra összpontosító projekttel zárul le.
A képzés végére a résztvevők megismerik a Scilab alapvető funkcióit és néhány fejlett funkcióját, és rendelkeznek erőforrásokkal ahhoz, hogy tovább bővítsék tudásukat.
Közönség
- Adattudósok és mérnökök, különös tekintettel a képfeldolgozásra és az arcfelismerésre
A tantárgy formátuma
- Részleges előadás, részleges beszélgetés, gyakorlatok és intenzív gyakorlati gyakorlat, egy záró projekttel
PaddlePaddle
21 ÓrákFiji: Introduction to Scientific Image Processing
21 ÓrákComputer Vision with OpenCV
28 ÓrákAz OpenCV (Open Source Computer Vision Library: http://opencv.org) egy nyílt forráskódú BSD-licenc könyvtár, amely több száz számítógépes látási algoritmust tartalmaz.
Közönség
Ez a kurzus azoknak a mérnököknek és építészeknek szól, akik a OpenCV-t számítógépes látásprojektekhez kívánják használni
Python and Deep Learning with OpenCV 4
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a szoftvermérnököknek szól, akik szeretnének Python-ben programozni az OpenCV 4-gyel a mély tanulás érdekében.
A képzés végére a résztvevők képesek lesznek:
- Tekintse meg, töltse be és osztályozza a képeket és videókat az OpenCV 4 segítségével.
- Valósítsa meg a mély tanulást az OpenCV 4-ben a TensorFlow és a Keras segítségével.
- Futtasson mély tanulási modelleket, és készítsen hatásos jelentéseket képekből és videókból.
Deep Learning for Vision with Caffe
21 ÓrákCaffe egy mély tanulási keretrendszer, melyet kifejezést, sebességet és modularitást szem előtt tartanak.
Ez a kurzus a Caffe alkalmazásának mélyreható tanulási keretrendszerét vizsgálja a képfelismeréshez MNIST példaként
Közönség
Ez a kurzus alkalmas a Deep Learning kutatók és mérnökök számára, akik érdeklődnek a Caffe keretrendszerének felhasználásáról.
A kurzus befejezése után a küldöttek:
- megértsék a Caffe szerkezetét és a telepítési mechanizmusokat
- telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
- a kód minőségének értékelése, hibakeresés, monitorozás
- fejlett gyártást, például képzési modelleket, rétegeket és naplózást valósít meg
Computer Vision with Python
14 ÓrákComputer Vision egy olyan terület, amely magában foglalja a digitális média hasznos információinak automatikus kinyerését, elemzését és megértését. Python magas szintű programozási nyelv, amely tiszta szintaxisáról és kódolvashatóságáról híres.
Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják a Computer Vision alapjait, miközben a Python használatával létrehoznak egy egyszerű Computer Vision alkalmazást.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg a Computer látás alapjait
- A Python használatával hajtsa végre a Computer Vision feladatokat
- Készítsen saját arc-, tárgy- és mozgásérzékelő rendszert
Közönség
- Python Computer látás iránt érdeklődő Python programozók
A tantárgy formátuma
- Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat
Deep Learning for Self Driving Cars
21 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik mély tanulási technikákat alkalmazva szeretnének önvezető autót építeni.
A képzés végére a résztvevők képesek lesznek:
- Használja a Keras-t egy konvolúciós neurális hálózat felépítéséhez és betanításához.
- Használjon számítógépes vizuális technikákat a sávok azonosítására egy autonóm vezetési projektben.
- Tanuljon meg egy mély tanulási modellt a közlekedési táblák megkülönböztetésére.
- Szimuláljon egy teljesen autonóm autót.