Computer Vision oktatás Budapest

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 tanfolyam Budapest (online vagy helyszínen) az advanced szintű szakembereknek szánva, akik mélyebben szeretnék megismerni a számítógépes látás területét, és szeretnék kutatni a TensorFlow képességeit a Google Colab használatával az összetett látási modellek fejlesztéséhez.

A tanfolyam végére a résztvevők képesek lesznek:

• Convolutional Neural Networks (CNN) építésére és kiképzésére TensorFlow használatával.
• Google Colab használatára skalálható és hatékony felhőalapú modellfejlesztéshez.
• Kép előfeldolgozási technikák bevezetésére számítógépes látási feladatokhoz.
• Számítógépes látási modellek telepítésére valós világbeli alkalmazásokhoz.
• Tranzfer learning használatára a CNN modellek teljesítményének javításához.
• Kép osztályozási modellek eredményeinek vizualizálására és értelmezésére.

Az CANN SDK (Neural Networks számítógépes architektúrájához) hatalmas telepítési és optimalizálási eszközöket biztosít az élethű AI alkalmazásokhoz a számítógépes látásban és az NLP-ben, különösen a Huawei Ascend hardveren.

Ez az oktatóvezetett, élő (online vagy előadói) képzés az átlagos szintű AI gyakorlók számára szól, akik a CANN SDK segítségével szeretnének építeni, telepíteni és optimalizálni a látás- és nyelvmodelleket gyártási eszközökhöz.

A képzés végén a résztvevők képesek lesznek:

• Telepíteni és optimalizálni a számítógépes látás és NLP modelleket az CANN és az AscendCL használatával.
• Az CANN eszközök használatát a modellek átalakítására és élő csövekbe való integrálására.
• Az inferencia teljesítmény optimalizálása felismerés, osztályozás és érzelem-analízis feladatokra.
• Élethű számítógépes látás/NLP csövek építése szél- vagy felhőalapú telepítési helyzetekhez.

A képzés formátuma

• Interaktív előadás és demostráció.
• Modelltelepítés és teljesítmény-profilozás gyakorlati labor.
• Élő csőtervezés valós számítógépes látás és NLP esetek használatával.

A képzés egyedi igénybevételének lehetőségei

• Az egyedi képzés kéréséhez, kérjük, vegye fel velünk a kapcsolatot, hogy rendezzük el.

Ez az interaktív, oktatói iránymutatású képzés Budapest (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 oktatóvezetett, élő képzés Budapest (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.

Ez oktatói vezetésű, élő képzés (online vagy helyszínen) a kezdő- és középfokú kutatónak és laboratóriumi szakembereknek szól, akik hisztológiai szövetekkel, vérsejtekkel, algákkal és más biológiai mintákkal kapcsolatos képek feldolgozására és elemzésére kíváncsiak.

Ez a képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felületén és használni az ImageJ alapfüggvényeit.
• Tudományos képek előfeldolgozása és javítása jobb elemzéshez.
• Képek kvantitatív elemzése, beleértve a sejtszámlálást és területmérést.
• Ismétlődő feladatok automatizálása makrókkal és plug-in-ekkel.
• Speciális képelemzési igényekhez szokott munkafolyamatok testreszabása biológiai kutatásokban.

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 oktatóvezetett, élő képzés (online vagy helyszínen) olyan középhatású és haladó szintű fejlesztőknek, kutatóknak és adattudósoknak szól, akik meg szeretnék tanulni, hogyan lehet valós idejű objektumfelismerést valósítsanak meg YOLOv7 használatával.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az objektumfelismerés alapvető fogalmakat.
• YOLOv7 telepítése és konfigurálása objektumfelismerési feladatokhoz.
• Vagyon saját objektumfelismerési modelleket edznek és tesztelnek YOLOv7 használatával.
• YOLOv7 integrálása más számítógépes látás keretrendszerekkel és eszközekkel.
• YOLOv7 implementációval kapcsolatos gyakori problémák megoldása.

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

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.

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

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, élőképes tanfolyam Budapest-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.