Computer Vision oktatás Budapest

Ez az oktató által vezetett, élő képzés a Budapest-ban (online vagy helyszíni) közép- és haladó szintű számítógépes látásmérnököknek, mesterséges intelligencia-fejlesztőknek és IoT-szakembereknek szól, akik szeretnének számítógépes látásmodelleket megvalósítani és optimalizálni valós idejű feldolgozáshoz peremeszközökön.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a Edge AI alapjait és alkalmazásait a számítógépes látásban.
• Vezessen be optimalizált mély tanulási modelleket az éleszközökön a valós idejű kép- és videóelemzés érdekében.
• Használjon olyan keretrendszereket, mint a TensorFlow Lite, OpenVINO és az NVIDIA Jetson SDK a modell telepítéséhez.
• Optimalizálja az AI modelleket a teljesítmény, az energiahatékonyság és az alacsony késleltetésű következtetések érdekében.

A tanfolyam végén a résztvevők képesek lesznek:

Ez az oktatóvezetett, élő tanfolyam Budapest (online vagy helyszíni) az olyan haladó szintű szakembereknek szánva, akik mélyebb ismeretekre kíváncsiak a számítógépes látás terén és ki akarják bontakoztatni TensorFlow képességeit a Google Colab-t használva széles körű látásmodellek fejlesztésére.

• Konvolúciós neurális hálózatok (CNN) építése és kiképzése TensorFlow-vel.
• Google Colab használata skalázható és hatékony felhőalapú modellfejlesztéshez.
• Kép előfeldolgozási technikák bevezetése számítógépes látási feladatokhoz.
• Számítógépes látásmodellek telepítése valós világbeli alkalmazásokhoz.
• Átviaszolás (transfer learning) használata CNN-modellek teljesítményének javítására.
• Kép osztályozási modell eredmények vizualizálása és értelmezése.

The CANN SDK (Compute Architecture for Neural Networks) provides powerful deployment and optimization tools for real-time AI applications in computer vision and NLP, especially on Huawei Ascend hardware.

This instructor-led, live training (online or onsite) is aimed at intermediate-level AI practitioners who wish to build, deploy, and optimize vision and language models using the CANN SDK for production use cases.

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

• Deploy and optimize CV and NLP models using CANN and AscendCL.
• Use CANN tools to convert models and integrate them into live pipelines.
• Optimize inference performance for tasks like detection, classification, and sentiment analysis.
• Build real-time CV/NLP pipelines for edge or cloud-based deployment scenarios.

Format of the Course

• Interactive lecture and demonstration.
• Hands-on lab with model deployment and performance profiling.
• Live pipeline design using real CV and NLP use cases.

Course Customization Options

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

Ez az oktató által vezetett, élő képzés Budapest (online vagy helyszíni) formában kerül megvalósításra, és a középfokú AI fejlesztőknek és a számítógépes látásmérnököknek szól, akik robusztus látórendszereket szeretnének építeni autonóm járművek számára.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a számítógépes látás alapvető fogalmait az autonóm járművekben.
• Objektumfelismerő, sávfelismerő és szemantikai szegmentációs algoritmusokat implementálni.
• A látórendszereket integrálni az autonóm jármű egyéb alrendszereivel.
• Mélytanulási technikákat alkalmazni a fejlett érzékelési feladatokra.
• A számítógépes látás modellek teljesítményét értékelni valós körülmények között.

Ez az oktató által vezetett, élő képzés a Budapest-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.

Ez az oktató által vezetett, élő képzés a Budapest-ban (online vagy helyszíni) kezdő és középszintű kutatóknak és laboratóriumi szakembereknek szól, akik szövettani szövetekkel, vérsejtekkel, algákkal és egyéb biológiai mintákkal kapcsolatos képeket kívánnak feldolgozni és elemezni.

A képzés végére a résztvevők képesek lesznek:

• Navigáljon a Fidzsi-szigeteken, és használja az ImageJ alapvető funkcióit.
• A tudományos képek előfeldolgozása és javítása a jobb elemzés érdekében.
• Elemezze a képeket mennyiségileg, beleértve a sejtszámlálást és a területmérést.
• Automatizálja az ismétlődő feladatokat makrók és bővítmények segítségével.
• A munkafolyamatok testreszabása a biológiai kutatások speciális képelemzési igényeihez.

Ez a tanácsadó által vezetett, élő képzés (Budapest-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, élő képzés a Budapest-ban (online vagy helyszíni) középhaladó és haladó szintű fejlesztőknek, kutatóknak és adattudósoknak szól, akik szeretnék megtanulni, hogyan valósítsák meg a valós idejű objektumészlelést a YOLOv7 használatával.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a tárgyfelismerés alapvető fogalmait.
• Telepítse és konfigurálja a YOLOv7-et az objektumészlelési feladatokhoz.
• Egyéni objektumészlelési modellek betanítása és tesztelése a YOLOv7 használatával.
• Integrálja a YOLOv7-et más számítógépes képi keretrendszerekkel és eszközökkel.
• A YOLOv7 megvalósításával kapcsolatos gyakori problémák elhárítása.

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

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.

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 Budapest-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.

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

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.

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:

• Megértik a Computer Vision alapjait
• A Python-at használják a Computer Vision feladatok megvalósítására
• Készítenek saját arc-, tárgy- és mozgásérzékelő rendszereket

Közönség

• Python programozók, akik érdeklődnek a Computer Vision iránt

A tantárgy formátuma

• Előadás, megbeszélés, gyakorlatok és intenzív gyakorlati foglalkozások

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 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 az oktató által vezetett, élő képzés a Budapest-ban (online vagy helyszíni) azoknak a háttérfejlesztőknek és adattudósoknak szól, akik előre képzett YOLO-modelleket kívánnak beépíteni vállalati alapú programjaikba, és költséghatékony összetevőket szeretnének megvalósítani az objektumokhoz. érzékelés.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja az objektumészleléshez szükséges eszközöket és könyvtárakat a YOLO használatával.
• Testreszabhatja Python parancssori alkalmazásokat, amelyek a YOLO előre betanított modelljein alapulnak.
• Az előre betanított YOLO modellek keretrendszerének megvalósítása különféle számítógépes látási projektekhez.
• Konvertálja a meglévő adatkészleteket az objektumészleléshez YOLO formátumba.
• Ismerje meg a YOLO algoritmus alapvető fogalmait a számítógépes látás és/vagy a mélytanulás számára.