Számítógépes látás SimpleCV-vel Képzés

A Caffe egy mélytanulási keretrendszer, amelyet kifejezőkészség, sebesség és modularitás szem előtt tartásával készítettek.

Ez a kurzus a Caffe alkalmazását vizsgálja mélytanulási keretrendszerként a képfelismerés területén, az MNIST példáján keresztül.

Célközönség

Ez a kurzus a mélytanulással foglalkozó kutatók és mérnökök számára alkalmas, akik a Caffe-t szeretnék keretrendszerként használni.

A kurzus elvégzése után a résztvevők képesek lesznek:

• megérteni a Caffe szerkezetét és üzembe helyezési mechanizmusait
• telepítési / termelési környezet / architektúra feladatok elvégzésére és konfigurálására
• kódminőség értékelésére, hibakeresésre és monitorozásra
• haladó termelési feladatok végrehajtására, mint a modellek betanítása, rétegek implementálása és naplózás

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű AI-fejlesztők és számítógépes látásmérnökök számára készült, akik robusztus látórendszereket szeretnének építeni önvezető járműalkalmazásokhoz.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a számítógépes látás alapvető fogalmait önvezető járművekben.
• Algoritmusok implementálása objektumdetektáláshoz, sávdetektáláshoz és szemantikus szegmentációhoz.
• Látórendszerek integrálása más önvezető jármű alrendszerekkel.
• Mélytanulási technikák alkalmazása fejlett érzékelési feladatokhoz.
• Számítógépes látás modellek teljesítményének értékelése valós helyzetekben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a computer vision ismereteiket és felfedezni a TensorFlow lehetőségeit a kifinomult látási modellek fejlesztéséhez a Google Colab segítségével.

A képzés végére a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatokat (CNN-ket) építeni és betanítani a TensorFlow segítségével.
• Kihasználni a Google Colabot skálázható és hatékony felhőalapú modellfejlesztéshez.
• Képfeldolgozási technikákat implementálni computer vision feladatokhoz.
• Computer vision modelleket üzembe helyezni valós alkalmazásokhoz.
• Transzfer tanulást alkalmazni a CNN-modellek teljesítményének javításához.
• Képbesorolási modellek eredményeinek megjelenítése és értelmezése.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó és haladó szintű számítógépes látás mérnökök, AI fejlesztők és IoT szakemberek számára készült, akik szeretnék implementálni és optimalizálni a számítógépes látás modelleket valós idejű feldolgozásra peremhálózati eszközökön.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az Edge AI alapjait és annak alkalmazásait a számítógépes látásban.
• Optimalizált mélytanulási modellek üzembe helyezése peremhálózati eszközökön valós idejű kép- és videóelemzéshez.
• Használni olyan keretrendszereket, mint a TensorFlow Lite, az OpenVINO és az NVIDIA Jetson SDK a modellek üzembe helyezéséhez.
• AI modellek optimalizálása teljesítmény, energiahatékonyság és alacsony késleltetésű következtetés érdekében.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kezdő szintű rendvédelmi személyzetek számára készült, akik szeretnének áttérni a kézi arcrészletezésről az AI eszközök használatára az arcfelismerő rendszerek fejlesztésében.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Mesterséges Intelligencia és a Gépi Tanulás alapjait.
• Megismerni a digitális képfeldolgozás alapjait és annak alkalmazását az arcfelismerésben.
• Fejleszteni készségeiket az AI eszközök és keretrendszerek használatában az arcfelismerő modellek létrehozásához.
• Gyakorlati tapasztalatot szerezni az arcfelismerő rendszerek létrehozásában, betanításában és tesztelésében.
• Megérteni az etikai megfontolásokat és ajánlott gyakorlatokat az arcfelismerő technológia használatában.

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely az ImageJ-t (egy tudományos többdimenziós képek feldolgozására szolgáló programot) és számos beépülő modult tartalmaz a tudományos képanalízishez.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan használják a Fiji disztribúciót és az alapjául szolgáló ImageJ programot egy képfeldolgozó alkalmazás létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• A Fiji fejlett programozási funkcióit és szoftverkomponenseit használni az ImageJ bővítéséhez
• Nagy 3D képeket összeilleszteni egymást fedő részekből
• Automatikusan frissíteni egy Fiji telepítést az indításkor az integrált frissítési rendszer segítségével
• Széles választékból kiválasztani szkriptnyelveket egyedi képfeldolgozási megoldások készítéséhez
• A Fiji hatékony könyvtárait, például az ImgLib-t használni nagy bioadatkészleteken
• Alkalmazásuk üzembe helyezésére és együttműködésre más tudósokkal hasonló projekteken

A képzés formátuma

• Interaktív előadás és vita.
• Számos gyakorlat és gyakorlás.
• Gyakorlati megvalósítás élő laboratóriumi környezetben.

Képzés testreszabási lehetőségei

• A képzés testreszabásának kéréséhez kérjük, lépjen kapcsolatba velünk.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) kezdő és középhaladó szintű kutatóknak és laboratóriumi szakembereknek szól, akik hisztológiai szövetek, vérsejtek, algák és más biológiai minták kapcsán szeretnének képeket feldolgozni és elemezni.

A képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felületén és az ImageJ alapfunkcióit használni.
• Tudományos képeket előfeldolgozni és javítani a jobb elemzés érdekében.
• Képeket mennyiségileg elemezni, beleértve a sejtszámlálást és a területmérést.
• Ismétlődő feladatokat automatizálni makrók és bővítmények segítségével.
• Munkafolyamatokat testreszabni a biológiai kutatásokban előforduló képfeldolgozási igényekhez.

Az OpenCV (Open Source Computer Vision Library: http://opencv.org) egy nyílt forráskódú, BSD licenc alatt kiadott könyvtár, amely több száz számítógépes látásra vonatkozó algoritmust tartalmaz.

Célközönség

Ez a kurzus mérnököknek és architektusoknak szól, akik az OpenCV-t szeretnék használni számítógépes látási projektekben.

Ez az oktató által vezetett, élőben zajló képzés Magyarország-ben (online vagy helyszínen) szoftvermérnököknek szól, akik Pythonban szeretnének programozni az OpenCV 4-gyel a mélytanulás területén.

A képzés végére a résztvevők képesek lesznek:

• Képeket és videókat megtekinteni, betölteni és osztályozni az OpenCV 4 segítségével.
• Mélytanulást implementálni az OpenCV 4-ben a TensorFlow és a Keras segítségével.
• Mélytanulási modelleket futtatni és hatásos jelentéseket készíteni képekből és videókból.

A mintázatillesztés egy olyan technika, amelyet a képekben lévő meghatározott mintázatok lokalizálására használnak. Segítségével meghatározható, hogy egy rögzített képben megtalálhatóak-e a meghatározott jellemzők, például egy gyártósoron lévő hibás terméken az elvárt címke vagy egy alkatrész meghatározott méretei. A "Mintázatfelismeréstől" (amely általános mintázatokat ismer fel a kapcsolódó minták nagyobb gyűjteménye alapján) abban különbözik, hogy konkrétan meghatározza, mit keresünk, majd megmondja, hogy az elvárt mintázat létezik-e vagy sem.

A kurzus formátuma

• Ez a kurzus bemutatja a mintázatillesztés területén használt megközelítéseket, technológiákat és algoritmusokat a gépi látás alkalmazásában.

A Computer Vision egy olyan terület, amely a digitális médiából történő automatikus információk kinyerésével, elemzésével és értelmezésével foglalkozik. A Python egy magas szintű programozási nyelv, amely híres világos szintaxisáról és kódolvashatóságáról.

Ebben az oktató által vezetett, élő képzésben a résztvevők megismerik a Computer Vision alapjait, miközben lépésről lépésre létrehoznak egy sor egyszerű Computer Vision alkalmazást Python használatával.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Computer Vision alapjait
• Python használatával Computer Vision feladatokat megvalósítani
• Saját arc-, tárgy- és mozgásérzékelő rendszereket készíteni

Célközönség

• A Computer Vision iránt érdeklődő Python programozók

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű szakembereknek szól, akik a Vision Builder AI segítségével szeretnének tervezni, implementálni és optimalizálni az automatikus ellenőrző rendszereket SMT (Surface-Mount Technology) folyamatokhoz.

A képzés végére a résztvevők képesek lesznek:

• Automatizált ellenőrzések beállítása és konfigurálása a Vision Builder AI segítségével.
• Kiváló minőségű képek rögzítése és előfeldolgozása elemzés céljából.
• Logika alapú döntések implementálása hibadetektálásra és folyamatvalidációra.
• Ellenőrzési jelentések készítése és rendszer teljesítményének optimalizálása.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) a háttérfejlesztők és adattudósok számára készült, akik szeretnék beépíteni az előre betanított YOLO modelleket vállalati programjaikba és költséghatékony komponenseket implementálni az objektumfelismeréshez.

A képzés végén a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a szükséges eszközöket és könyvtárakat az objektumfelismeréshez YOLO használatával.
• Testreszabni Python parancssori alkalmazásokat, amelyek YOLO előre betanított modelleken alapulnak.
• Implementálni az előre betanított YOLO modellek keretrendszerét különböző számítógépes látás projektekhez.
• Átalakítani meglévő adathalmazokat objektumfelismeréshez YOLO formátumba.
• Megérteni a YOLO algoritmus alapvető fogalmait a számítógépes látás és/vagy mély tanulás területén.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó és haladó szintű fejlesztők, kutatók és adattudósok számára készült, akik szeretnének megtanulni, hogyan valósítsanak meg valós idejű objektumdetektálást a YOLOv7 segítségével.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az objektumdetektálás alapvető fogalmait.
• Telepíteni és konfigurálni a YOLOv7-et objektumdetektálási feladatokhoz.
• Képezni és tesztelni egyedi objektumdetektálási modelleket a YOLOv7 segítségével.
• Integrálni a YOLOv7-et más számítógépes látási keretrendszerekkel és eszközökkel.
• Hibaelhárítást végezni a YOLOv7 implementációval kapcsolatos gyakori problémák esetén.