YOLOv7: Valós idejű objektum detekció a számítógépes látással Képzés

A Caffe egy mély tanulási keretrendszer, amely kifejezőkéség, gyorsaság és modularitás szem előtt tartása mellett készült.

Ez a kurzus a Caffe alkalmazását vizsgálja képfelismerésre az MNIST példával.

Célcsoport

A kurzus alkalmas mély tanulási kutatók és mérnökök számára, akik a Caffe keretrendszert szeretnék használni.

Ez a kurzus befejezése után a résztvevők képesek lesznek:

• a Caffe szerkezetének és telepítési mechanizmusainak megértésére
• a telepítés, éles környezet, architektúra feladatok elvégzésére és konfigurálására
• a kódminőség becslésére, hibakeresésre és monitorozásra
• haladó éles környezet implementálására, például modell tanítása, rétegek megvalósítása és naplózás

Ez az interaktív, oktatói iránymutatású képzés Magyarország (online vagy helyszínen) középfokú mesterséges intelligencia fejlesztőknek és számítógépes látási mérnököknek szól, akik robosztus látási rendszereket szeretnének kialakítani autonom járóbeteg-alkalmazásokhoz.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az autonom járóbeteg számítógépes látásának alapvető fogalmait.
• Algoritmusok implementálása tárgyfelismerés, sáv felismerés és szemantikus szegmensenálás céljából.
• Látási rendszerek integrálása más autonom járóbeteg alrendszerekkel.
• Mély tanulási technikák alkalmazása haladó érzékelési feladatokhoz.
• Az autonom járóbeteg számítógépes látási modellek teljesítményének kiértékelése valós környezetben.

Ez az interaktív, tanárvezetett élő képzés Magyarország (online vagy helyszínen) előrehaladott szintű szakemberekre vonatkozik, akik további ismereteket szeretnének szerezni a computer vision területen és kifejteni TensorFlow képesséit a bonyolult látási modellök fejlesztéséhez Google Colab segítségével.

A képzés végén a résztvevők képesek lesznek:

• Konvolúciós neurális hálózatok (CNN) építésére és betanítására TensorFlow segítségével.
• Google Colab felhőalapú modellfejlesztés hatékony és skálázható szolgáltatásainak kihasználására.
• Képfeldolgozási előkészítési technikák implementálására a látási feladatokhoz.
• Látás modellök üzembe helyezésére valós életben.
• Átvitel tanulással a CNN modellök teljesítményének javítása érdekében.
• Kép osztályozási modellök eredményeinek vizualizálására és értelmezésére.

Ez tanfolyam, amelyet oktató vezet (online vagy helyszínen), a középhozzáférhetőségű és előhaladott szintű számítógépes látás mérnökeinek, mesterséges intelligencia fejlesztőinek és IoT szakembereknek szánja, akik számítógépes látásmodelleket szeretnének valós időben feldolgozni szélső eszközökön.

A tanfolyam végén a résztvevők képesek lesznek:

• Megértik az Edge AI alapjait és alkalmazásait a számítógépes látásban.
• Optimalizált mélytanulási modelleket telepítenek szélső eszközökön valós idejű kép- és videofeldolgozáshoz.
• Keretrendszereket használnak, mint a TensorFlow Lite, OpenVINO és NVIDIA Jetson SDK a modell telepítéséhez.
• Optimálják az AI modelleket teljesítmény, energiahatékonyság és alacsony késleltetésű levezetés szempontjából.

Ez oktatóvezetett, élő képzés Magyarország (online vagy helyszínen) a kezdő szintű rendőrségi személyzet számára szól, akik át akarnak lépni a kézi arcrajzolástól az AI eszközök használatára az arcfelismerő rendszerek fejlesztésében.

A képzés végére a résztvevők képesek lesznek:

• Megértik az Artificial Intelligence és Machine Learning alapjait.
• Megtanulják a digitális képfeldolgozás alapjait és alkalmazását az arcfelismerésben.
• Fejlesztik az AI eszközök és keretek használatában az arcfelismerő modellek létrehozásához.
• Szerzik a gyakorlati tapasztalatot az arcfelismerő rendszerek létrehozásában, képzésében és tesztelésében.
• Megértik az etikai szempontokat és a legjobb gyakorlatokat az arcfelismerő technológia használatában.

A Fiji egy nyílt forráskódú képfeldolgozási csomag, amely az ImageJ-t (egy tudományos többdimenziós képfeldolgozási programot) és számos plugin-t tartalmaz a tudományos képanalízishez.

Ez az oktató vezetésű, élőképes tanfolyamon a résztvevők megtanulhatják, hogyan használják a Fiji disztribúciót és az alapján lévő ImageJ programot egy képanalízis alkalmazás készítéséhez.

A tanfolyam végeztével a résztvevők képesek lesznek:

• Használni Fijit fejlett programozási funkcióit és szoftverkomponenseit az ImageJ kiterjesztésére
• Kevésbé részletezett 3D képeket összehasonlítani átfedő csempékkel
• Automatikusan frissíteni a Fijit indításkor az integrált frissítőrendszer segítségével
• Szeles körű szkriptelőnyelvekből választani egyedi képanalízis megoldások létrehozásához
• Használni Fijit erős könyvtárjait, mint például az ImgLib-et nagyméretű biokép adathalmazokon
• Közzétételük alkalmazásukat és együttműködni más tudósokkal hasonló projekteken

A Tanfolyam Formája

• Interaktív előadás és vita.
• Sok gyakorlat és gyakorlés.
• Élő labor környezetben történő kézi implementáció.

Tanfolyam Testreszabási Opciók

• Egy testreszabott tanfolyam kérése érdekében kérjük, lépjünk kapcsolatba.

Ez az interaktív, tanár vezetésű élőképzés Magyarország (online vagy helyszínen) elemtudós- és laborprofesionális kutatók szintjéig terjed, akik a histológiai tükörkönyveken, vércsomókon, algaeken és más biológiai mintákon szeretnének képfeldolgozást és -analíziát végezni.

A képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felhasználói felületén és az ImageJ alapfunkcióit felhasználni.
• Készíteni előfeldolgozott és javított tudományos képeket a jobb analízis érdekében.
• Mennyiségi képfeldolgozást végezni, beleértve a sejtszámlálást és területmérést is.
• Automatizálni az ismétlődő feladatokat makrokat és beépülő modulok használatával.
• Testre szabni a munkafolyamatokat a biológiai kutatás speciális képfeldolgozási igényeihez.

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.

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.

A Számítógépes Látás olyan terület, amely a digitális média tartalmából automatikusan kivonja, elemezi és megérti az hasznos információkat. A Python egy magas szintű programozási nyelv, amely híres világos szintaxisa és olvasható kóddal.

Ez a tanárvezetett élő képzés során a résztvevők megtanulják a Számítógépes Látás alapjait, ahogy egyszerű Számítógépes Látási alkalmazásokat készítenek Python használatával.

A képzés végeztével a résztvevők képesek lesznek:

• Megérteni a Számítógépes Látás alapjait
• Python használatával Számítógépes Látási feladatokat megoldani
• Személ- és objektumfelismerő, valamint mozgásérzékelő rendszereket készíteni

Célcsoport

• Python programozók, akik érdeklődnek a Számítógépes Látás iránt

Képzés formája

• Részben előadás, részben beszélgetés, gyakorlatok és súlyos tevékenységi gyakorlás

A SimpleCV egy nyílt forráskódú keretrendszer – ami azt jelenti, hogy könyvtárak és szoftverek gyűjteménye, amelyek segítségével látásalkalmazásokat fejleszthet. Lehetővé teszi a webkamerákról, Kinects-ről, FireWire- és IP-kamerákról vagy mobiltelefonokról származó kép- vagy videofolyamokkal való munkát. Segítségével olyan szoftvereket készíthet, amelyek segítségével a különféle technológiái ne csak lássák a világot, hanem megértsék is.

Közönség

Ez a kurzus azoknak a mérnököknek és fejlesztőknek szól, akik a SimpleCV segítségével számítógépes látásalkalmazásokat szeretnének fejleszteni.

Ez a tanácsadó által vezetett, élő képzés (Magyarország-ban, online vagy helyszíni) középvizszintű szakemberek számára készült, akik szeretnék a Vision Builder AI-t használni az SMT (Felületi Montázszerelés Technológia) folyamatok automatizált ellenőrzési rendszereinek tervezésére, megvalósítására és optimalizálására.

A képzés végén a résztvevők képesek lesznek:

• Automatikus ellenőrzések beállítása és konfigurálása a Vision Builder AI segítségével.
• Megfelelő minőségű képek beszerzése és előfeldolgozása az elemzéshez.
• Logikai döntések megvalósítása hibák észlelése és folyamat ellenőrzése szempontjából.
• Ellenőrzési jelentések készítése és a rendszer teljesítményének optimalizálása.

Ez az oktató által vezetett, élőképes tanfolyam Magyarország-ban (online vagy személlyel) a háttérfejlesztőknek és adattudósoknak szól, akik szeretnék betanított YOLO modellket tartalmazó vállalati alkalmazásokat kifejleszteni, valamint költséghatékony komponenseket implementálni az objektum detektáláshoz.

A tanfolyam végén a résztvevők képesek lesznek:

• Telepíteni és beállítani a YOLO-t használó objektum detektálásra szükséges eszközöket és könyvtárakat.
• Egyéni Python parancssori alkalmazásokat készíteni, amelyek a YOLO betanított modelljein alapulnak.
• Betanított YOLO modell keretrendszert implementálni különböző számítógépes látás projekteknél.
• A meglévő objektum detektálási adatokat YOLO formátumba konvertálni.
• Megérteni a YOLO algoritmus alapvető fogalmait a számítógépes látás és/vagy mély tanulás szempontjából.