Computer Vision oktatás Hajdú-Bihar

Ez az oktató által vezetett, élő képzés Hajdú-Bihar (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 Hajdú-Bihar-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.

A CANN SDK (Compute Architecture for Neural Networks) hatékony telepítési és optimalizálási eszközöket kínál valós idejű AI alkalmazásokhoz a számítógépes látás és NLP területén, különösen a Huawei Ascend hardvereken.

Ez az oktató által vezetett, élő képzés (online vagy helyszínen) középszintű AI szakembereknek szól, akik a CANN SDK segítségével szeretnének látási és nyelvi modelleket építeni, telepíteni és optimalizálni üzemi használati esetekhez.

A képzés végén a résztvevők képesek lesznek:

• CV és NLP modellek telepítése és optimalizálása a CANN és AscendCL segítségével.
• CANN eszközök használata modellek átalakításához és integrálásához élő folyamatokba.
• Inferencia teljesítmény optimalizálása feladatokhoz, mint az észlelés, osztályozás és érzelmek elemzése.
• Valós idejű CV/NLP folyamatok építése peremhálózati vagy felhőalapú telepítési forgatókönyvekhez.

A képzés formátuma

• Interaktív előadás és bemutató.
• Gyakorlati labor modell telepítéssel és teljesítményprofilozással.
• Élő folyamat tervezés valós CV és NLP használati esetekkel.

Kurzus Testreszabási Lehetőségek

• Ha testreszabott képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.

Ez az oktató által vezetett, élő képzés Hajdú-Bihar (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 Hajdú-Bihar-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.

Ez az oktató által vezetett, élőben tartott képzés Hajdú-Bihar (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.

Ez az oktató által vezetett, élő képzés Hajdú-Bihar-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 Hajdú-Bihar (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.

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

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.

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 Hajdú-Bihar-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

A SimpleCV egy nyílt forráskódú keretrendszer – vagyis olyan könyvtárak és szoftverek gyűjteménye, amelyek segítségével látóalkalmazásokat fejleszthet. Lehetővé teszi a webkamerák, Kinectek, FireWire és IP kamerák, illetve mobiltelefonok által szolgáltatott képekkel vagy videóstreammekkel való munkát. Segít olyan szoftvereket létrehozni, amelyekkel a különböző technológiáid nemcsak látják a világot, hanem meg is értik azt.

Célközönség

Ez a tanfolyam azoknak a mérnököknek és fejlesztőknek szól, akik SimpleCV-vel szeretnének számítógépes látóalkalmazásokat fejleszteni.

Ez az oktató által vezetett, élő képzés Hajdú-Bihar-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.