Computer Vision with SimpleCV Kurzusok

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a kezdő szintű bűnüldöző szerveknek szól, akik szeretnének áttérni a kézi arcrajzolásról az AI-eszközök használatára az arcfelismerő rendszerek fejlesztésére.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a mesterséges intelligencia alapjait és Machine Learning.
• Ismerje meg a digitális képfeldolgozás alapjait és alkalmazását az arcfelismerésben.
• Készítsen készségeket az AI-eszközök és keretrendszerek használatában az arcfelismerő modellek létrehozásához.
• Szerezzen gyakorlati tapasztalatot az arcfelismerő rendszerek létrehozásában, képzésében és tesztelésében.
• Ismerje meg az arcfelismerő technológia használatának etikai szempontjait és bevált gyakorlatait.

Az OpenFace Python és Torch alapú, nyílt forráskódú, valós idejű arcfelismerő szoftver, amely az Google FaceNet kutatásán alapul.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják az OpenFace összetevőit egy minta arcfelismerő alkalmazás létrehozásához és telepítéséhez.

A képzés végére a résztvevők képesek lesznek:

• Dolgozzon az OpenFace összetevőivel, beleértve a dlib-et, az OpenVC-t, Torch és az nn4-et az arcfelismerés, igazítás és átalakítás megvalósításához
• Alkalmazza az OpenFace-et valós alkalmazásokra, például megfigyelésre, személyazonosság-ellenőrzésre, virtuális valóságra, játékokra és visszatérő ügyfelek azonosítására stb.

Közönség

• Fejlesztők
• Adattudósok

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlatok

Ez az oktató által vezetett, élő tréning lépésről lépésre bemutatja az arcfelismerő rendszer felépítéséhez szükséges szoftvert, hardvert és lépésről lépésre. Az arcfelismerés más néven Face Recognition.

A laborban használt hardver magában foglalja a Rasberry Pi-t, a kameramodult, a szervókat (opcionális) stb. A résztvevők maguk felelősek ezen alkatrészek beszerzéséért. A használt szoftverek a következők: OpenCV, Linux, Python stb.

A képzés végére a résztvevők képesek lesznek:

• Telepítse a Linux, OpenCV és egyéb segédprogramokat és könyvtárakat egy Rasberry Pi-re.
• A OpenCV beállítása arcképek rögzítésére és észlelésére.
• Ismerje meg a Rasberry Pi rendszer különféle csomagolási lehetőségeit valós környezetben való használatra.
• A rendszer hozzáigazítása különféle használati esetekhez, beleértve a megfigyelést, a személyazonosság-ellenőrzést stb.

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Jegyzet

• Egyéb hardver- és szoftverlehetőségek: Arduino, OpenFace, Windows stb. Ha ezek közül bármelyiket szeretné használni, kérjük, lépjen kapcsolatba velünk, hogy megbeszéljük.

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely az ImageJ-t (egy képfeldolgozó program tudományos többdimenziós képekhez) és számos tudományos képelemzési beépülő modult tartalmaz.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják a Fidzsi-szigeteki disztribúciót és az alapjául szolgáló ImageJ programot egy képelemző alkalmazás létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• Használja Fidzsi-szigetek fejlett programozási funkcióit és szoftverösszetevőit az ImageJ kiterjesztéséhez
• Tűzzön össze nagy 3D képeket az egymást átfedő csempékből
• A Fidzsi-szigeteki telepítések automatikus frissítése indításkor az integrált frissítési rendszer segítségével
• Válasszon a szkriptnyelvek széles választékából, hogy egyedi képelemzési megoldásokat készítsen
• Használja Fidzsi-szigetek hatékony könyvtárait, például az ImgLib-et a nagy biokép-adatkészletekhez
• Telepítse alkalmazásukat, és működjön együtt más tudósokkal hasonló projektekben

A tanfolyam formátuma

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorlat.
• Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

• Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

Marvin 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.

A PaddlePaddle (PArallel Distributed Deep LEarning) egy skálázható mélytanulási platform, amelyet Baidu fejlesztett ki Ebben az oktatott, élő képzésben a résztvevők megtanulják használni a PaddlePaddle használatát, hogy lehetővé tegyék a mély tanulás lehetőségét a termék- és szolgáltatásalkalmazásokban A képzés végére a résztvevők képesek lesznek: Állítsa be és konfigurálja a PaddlePaddle-t Konvolúciós neurális hálózat (CNN) létrehozása a képfelismeréshez és az objektumok észleléséhez Állítson be egy visszatérő neurális hálózatot (RNN) az érzelemelemzéshez Állítsa be mély tanulásukat az ajánlórendszerekre, hogy segítsen a felhasználóknak megtalálni a válaszokat Az átkattintási arányok (CTR) előrejelzése, nagy méretű képkészletek osztályozása, optikai karakterfelismerés (OCR) végrehajtása, keresések rangsorolása, számítógépes vírusok felderítése és ajánlórendszer alkalmazása Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

A Pattern Matching a képen belüli meghatározott minták megkeresésére használt technika. Használható a rögzített képen belüli meghatározott jellemzők meglétének meghatározására, például a gyári soron lévő hibás termék várható címkéje vagy egy alkatrész meghatározott méretei. Ez abban különbözik az "Pattern Recognition"-től (amely a kapcsolódó minták nagyobb gyűjteményei alapján ismer fel általános mintákat), mivel konkrétan megszabja, hogy mit keresünk, majd megmondja, hogy a várt minta létezik-e vagy sem.

A tanfolyam formátuma

• Ez a kurzus bemutatja a mintaillesztés területén alkalmazott megközelítéseket, technológiákat és algoritmusokat a Machine Vision esetében.

Scilab 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

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 az OpenCV-et számítógépes látásprojektekben szeretnék használni

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a szoftvermérnököknek szól, akik a Python-ben OpenCV 4-gyel szeretnének programozni a mély tanulás érdekében.

A képzés végére a résztvevők képesek lesznek:

• Tekintse meg, töltse be és osztályozza a képeket és videókat a OpenCV segítségével 4.
• Valósítsa meg a mély tanulást az OpenCV 4-ben a TensorFlow és Keras segítségével.
• Futtasson mély tanulási modelleket, és készítsen hatásos jelentéseket képekből és videókból.

Caffe 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

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a számítógépes látással kapcsolatos ismereteiket és feltárni TensorFlow képességeit kifinomult látásmodellek kidolgozására az Google segítségével. Colab.

A képzés végére a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatok (CNN-ek) létrehozása és betanítása TensorFlow segítségével.
• Használja ki az Google Colabot a méretezhető és hatékony felhőalapú modellfejlesztéshez.
• Kép-előfeldolgozási technikák alkalmazása számítógépes látási feladatokhoz.
• Telepítsen számítógépes látásmodelleket a valós alkalmazásokhoz.
• Használja az átviteli tanulást a CNN-modellek teljesítményének javításához.
• Képosztályozási modellek eredményeinek megjelenítése és értelmezése.