Computer Vision Kurzusok

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

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.

OpenCV (Open Source Computer Vision Library: http://opencv.org) egy nyílt forráskódú BSD-licencű könyvtár, amely több száz számítógépes látás algoritmust tartalmaz.

Közönség

Ez a kurzus azokra a mérnökökre és építészekre irányul, akik az OpenCV használják számítógépes látásmód projektek számára

OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.

This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.

By the end of this training, participants will be able to:

- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.

A 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 .

Computer 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

Ez az oktatott, élő képzés bemutatja a szoftver, a hardver és a stepbystep folyamatát, amely az arcfelismerő rendszer megépítéséhez szükséges a semmiből Az arcfelismerés az Arcfelismerés néven is ismert A laborban használt hardver tartalmazza a Rasberry Pi-et, a fényképezőgép-modult, a szervókat (opcionális), stb A résztvevők felelősek ezen komponensek megvásárlásáért A használt szoftver OpenCV, Linux, Python stb A képzés végére a résztvevők képesek lesznek: Telepítse a Linux, az OpenCV és más szoftver segédprogramokat és könyvtárakat egy Rasberry Pi-on Az OpenCV beállítása az arcfájlok rögzítéséhez és felderítéséhez Ismerje meg a Rasberry Pi rendszer csomagolásának különböző lehetőségeit a valós világ környezetben való használatra Alkalmazkodni a rendszerhez különböző használati esetekben, beleértve a felügyeletet, a személyazonosság igazolását stb Közönség Fejlesztők Hardver / szoftver technikusok Technikai személyek minden iparágban Hobbifelhasználók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Egyéb hardver és szoftver opciók: Arduino, OpenFace, Windows stb Ha bármelyiket szeretné használni, kérjük, vegye fel velünk a kapcsolatot .

A mély tanulás a gépi tanulás alterülete. Olyan módszereket használ, amelyek az adatok reprezentációján és struktúrákon, például neurális hálókon alapulnak.

Keras egy magas szintű ideghálózati API a gyors fejlesztéshez és kísérletezéshez. A TensorFlow , CNTK vagy CNTK tetején fut.

Ez az oktató által vezetett, élő képzés (helyszíni vagy távoli) azon fejlesztőknek szól, akik önálló vezetésű autót akarnak készíteni mély tanulási technikák segítségével.

A képzés végére a résztvevők képesek lesznek:

- Használjon számítógépes látástechnikákat a sávok azonosításához.
- Használjon Keras t konvolúciós neurális hálózatok felépítéséhez és kiképzéséhez.
- Képzzen egy mély tanulási modellt a közlekedési táblák megkülönböztetésére.
- Szimulálja a teljesen autonóm autót.

A tantárgy formátuma

- Interaktív előadás és beszélgetés.
- Sok gyakorlat és gyakorlat.
- Gyakorlati megvalósítás élő laboratóriumi környezetben.

Tanfolyam testreszabási lehetőségek

- Ha személyre szabott képzést szeretne kérni erre a kurzusra, kérjük vegye fel velünk a kapcsolatot, hogy megbeszélést szervezzen.

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.

Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.

This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.

By the end of this training, participants will be able to:

- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.