Deep Learning for Self Driving Cars Training Course

Το OpenCV (Open Source Computer Vision Library: http://opencv.org) είναι μια βιβλιοθήκη ανοιχτού κώδικα με άδεια BSD που περιλαμβάνει αρκετές εκατοντάδες αλγόριθμους υπολογιστικής όρασης.

Ακροατήριο

Αυτό το μάθημα απευθύνεται σε μηχανικούς και αρχιτέκτονες που θέλουν να χρησιμοποιήσουν το OpenCV για έργα όρασης υπολογιστών

Αυτή η ζωντανή εκπαίδευση καθοδηγούμενη από εκπαιδευτές εισάγει το λογισμικό, το υλικό και τη διαδικασία βήμα προς βήμα που απαιτούνται για την κατασκευή ενός συστήματος αναγνώρισης προσώπου από την αρχή. Η αναγνώριση προσώπου είναι επίσης γνωστή ως Face Recognition.

Το υλικό που χρησιμοποιείται σε αυτό το εργαστήριο περιλαμβάνει Rasberry Pi, μια μονάδα κάμερας, σερβομηχανισμούς (προαιρετικά) κ.λπ. Οι συμμετέχοντες είναι υπεύθυνοι για την αγορά αυτών των εξαρτημάτων οι ίδιοι. Το λογισμικό που χρησιμοποιείται περιλαμβάνει OpenCV, Linux, Python κ.λπ.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Εγκαταστήστε το Linux, OpenCV και άλλα βοηθητικά προγράμματα λογισμικού και βιβλιοθήκες σε ένα Rasberry Pi. Διαμόρφωση OpenCV για λήψη και ανίχνευση εικόνων προσώπου. Κατανοήστε τις διάφορες επιλογές για τη συσκευασία ενός συστήματος Rasberry Pi για χρήση σε περιβάλλοντα πραγματικού κόσμου. Προσαρμόστε το σύστημα για ποικίλες περιπτώσεις χρήσης, συμπεριλαμβανομένης της επιτήρησης, της επαλήθευσης ταυτότητας κ.λπ.

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σημείωση

Άλλες επιλογές υλικού και λογισμικού περιλαμβάνουν: Arduino, OpenFace, Windows, κ.λπ. Εάν θέλετε να χρησιμοποιήσετε κάποιο από αυτά, επικοινωνήστε μαζί μας για να κανονίσουμε.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν στο Python με το OpenCV 4 για βαθιά μάθηση.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Προβολή, φόρτωση και ταξινόμηση εικόνων και βίντεο χρησιμοποιώντας το OpenCV 4.
• Εφαρμόστε τη βαθιά εκμάθηση στο OpenCV 4 με TensorFlow και Keras.
• Εκτελέστε μοντέλα βαθιάς εκμάθησης και δημιουργήστε εντυπωσιακές αναφορές από εικόνες και βίντεο.

Η αντιστοίχιση μοτίβων είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό συγκεκριμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης συγκεκριμένων χαρακτηριστικών μέσα σε μια ληφθείσα εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια γραμμή εργοστασίου ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Είναι διαφορετικό από το " Pattern Recognition " (το οποίο αναγνωρίζει τα γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι επιβάλλει συγκεκριμένα αυτό που ψάχνουμε και μας λέει εάν υπάρχει το αναμενόμενο πρότυπο ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε τεχνικά άτομα που επιθυμούν να εφαρμόσουν μοντέλο βαθιάς μάθησης σε εφαρμογές αναγνώρισης εικόνων.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το Keras.
• Δημιουργήστε γρήγορα πρωτότυπα μοντέλων βαθιάς μάθησης.
• Εφαρμόστε ένα συνελικτικό δίκτυο.
• Υλοποιήστε ένα επαναλαμβανόμενο δίκτυο.
• Εκτελέστε ένα μοντέλο βαθιάς εκμάθησης τόσο σε CPU όσο και σε GPU.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να αναπτύξουν προηγμένα νευρωνικά δίκτυα βαθιάς μάθησης και μοντέλα χρησιμοποιώντας Keras και Python.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εφαρμόστε τη βαθιά μάθηση με εποπτευόμενες ή χωρίς επίβλεψη μεθόδους μάθησης.
• Αναπτύξτε, εκπαιδεύστε και εφαρμόστε ταυτόχρονα νευρωνικά δίκτυα και επαναλαμβανόμενα νευρωνικά δίκτυα.
• Χρησιμοποιήστε τα Keras και Python για να δημιουργήσετε μοντέλα βαθιάς μάθησης για να λύσετε προβλήματα που αφορούν εικόνες, κείμενο, ήχο και άλλα.

Το SimpleCV είναι ένα πλαίσιο ανοιχτού κώδικα - που σημαίνει ότι είναι μια συλλογή βιβλιοθηκών και λογισμικού που μπορείτε να χρησιμοποιήσετε για να αναπτύξετε εφαρμογές οράματος. Σας επιτρέπει να εργάζεστε με τις εικόνες ή τις ροές βίντεο που προέρχονται από webcams, Kinects, FireWire και IP κάμερες ή κινητά τηλέφωνα. Σας βοηθά να χτίζετε λογισμικό για να κάνετε τις διάφορες σας τεχνολογίες όχι μόνο να βλέπουν τον κόσμο, αλλά και να το κατανοούν.

Κοινό

Αυτό το μάθημα απευθύνεται σε μηχανικούς και προγραμματιστές που επιδιώκουν να αναπτύξουν εφαρμογές ηλεκτρονικών οραμάτων με το SimpleCV.

Caffe είναι ένα βαθύ πλαίσιο μάθησης που γίνεται με γνώμονα την έκφραση, την ταχύτητα και τη διαμόρφωση.

Αυτό το μάθημα διερευνά την εφαρμογή του Caffe ως πλαισίου βαθιάς μάθησης για την αναγνώριση εικόνων χρησιμοποιώντας το MNIST ως παράδειγμα

Κοινό

Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν το Caffe ως πλαίσιο.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του Caffe
• εκτελέστε εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να εφαρμόσουν προηγμένη παραγωγή όπως μοντέλα εκπαίδευσης, υλοποίηση στρώσεων και καταγραφή

Marvin είναι ένα εκτεταμένο πλαίσιο πλατφόρμας επεξεργασίας εικόνας και βίντεο ανοιχτού κώδικα που αναπτύχθηκε στην Java . Οι προγραμματιστές μπορούν να χρησιμοποιήσουν το Marvin για να χειριστούν εικόνες, να εξάγουν λειτουργίες από εικόνες για εργασίες ταξινόμησης, να παράγουν αριθμούς αλγοριθμικά, να επεξεργάζονται σύνολα δεδομένων αρχείων βίντεο και να ρυθμίζουν αυτοματοποίηση δοκιμών μονάδων.

Ορισμένες από τις εφαρμογές βίντεο του Marvin περιλαμβάνουν το φιλτράρισμα, την επαυξημένη πραγματικότητα, την παρακολούθηση αντικειμένων και την ανίχνευση κίνησης.

Σε αυτόν τον οδηγό, οι συμμετέχοντες στο πρόγραμμα θα μάθουν τις αρχές της ανάλυσης εικόνας και βίντεο και θα χρησιμοποιήσουν το Marvin Framework και τους αλγόριθμους επεξεργασίας εικόνας για να κατασκευάσουν τη δική τους εφαρμογή.

Μορφή του μαθήματος

• Οι βασικές αρχές της ανάλυσης εικόνας, της ανάλυσης βίντεο και του πλαισίου Marvin εισάγονται για πρώτη φορά. Οι σπουδαστές λαμβάνουν καθήκοντα βάσει σχεδίου που τους επιτρέπουν να ασκούν τις έννοιες που έχουν μάθει. Μέχρι το τέλος της τάξης, οι συμμετέχοντες θα έχουν αναπτύξει τη δική τους εφαρμογή χρησιμοποιώντας το Marvin Framework και τις βιβλιοθήκες.

Computer Vision είναι ένα πεδίο που περιλαμβάνει αυτόματη εξαγωγή, ανάλυση και κατανόηση χρήσιμων πληροφοριών από ψηφιακά μέσα. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα του κώδικα.

Σε αυτόν τον εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία του Computer Vision καθώς περνούν μέσα από τη δημιουργία ενός συνόλου απλών εφαρμογών του Computer Vision χρησιμοποιώντας Python .

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Κατανοήστε τα βασικά στοιχεία του Computer Vision
• Χρησιμοποιήστε την Python για να υλοποιήσετε τις εργασίες του Computer Vision
• Δημιουργήστε τα δικά τους συστήματα προσώπου, αντικειμένων και ανίχνευσης κίνησης

Κοινό

• Python προγραμματιστές της Python ενδιαφέρονται για το Computer Vision

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές που επιθυμούν να δημιουργήσουν μοντέλα εντοπισμού αντικειμένων και παρακολούθησης με επιτάχυνση υλικού για την ανάλυση δεδομένων ροής βίντεο.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το απαραίτητο περιβάλλον ανάπτυξης, το λογισμικό και τις βιβλιοθήκες για να ξεκινήσετε την ανάπτυξη.
• Δημιουργήστε, εκπαιδεύστε και αναπτύξτε μοντέλα βαθιάς εκμάθησης για να αναλύσετε ζωντανές ροές βίντεο.
• Προσδιορίστε, παρακολουθήστε, τμηματοποιήστε και προβλέψτε διαφορετικά αντικείμενα μέσα σε καρέ βίντεο.
• Βελτιστοποιήστε τα μοντέλα ανίχνευσης και παρακολούθησης αντικειμένων.
• Αναπτύξτε μια έξυπνη εφαρμογή ανάλυσης βίντεο (IVA).

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές back-end και επιστήμονες δεδομένων που επιθυμούν να ενσωματώσουν προεκπαιδευμένα μοντέλα YOLO στα προγράμματα που καθοδηγούνται από την επιχείρηση και να εφαρμόσουν οικονομικά αποδοτικά στοιχεία για αντικείμενα ανίχνευση.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε τα απαραίτητα εργαλεία και βιβλιοθήκες που απαιτούνται για την ανίχνευση αντικειμένων χρησιμοποιώντας το YOLO.
• Προσαρμόστε Python εφαρμογές γραμμής εντολών που λειτουργούν με βάση προεκπαιδευμένα μοντέλα YOLO.
• Εφαρμόστε το πλαίσιο προεκπαιδευμένων μοντέλων YOLO για διάφορα έργα υπολογιστικής όρασης.
• Μετατρέψτε τα υπάρχοντα σύνολα δεδομένων για ανίχνευση αντικειμένων σε μορφή YOLO.
• Κατανοήστε τις θεμελιώδεις έννοιες του αλγορίθμου YOLO για την όραση υπολογιστή και/ή τη βαθιά μάθηση.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές, ερευνητές και επιστήμονες δεδομένων μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να μάθουν πώς να εφαρμόζουν την ανίχνευση αντικειμένων σε πραγματικό χρόνο χρησιμοποιώντας το YOLOv7.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε τις θεμελιώδεις έννοιες της ανίχνευσης αντικειμένων.
• Εγκαταστήστε και διαμορφώστε το YOLOv7 για εργασίες ανίχνευσης αντικειμένων.
• Εκπαιδεύστε και δοκιμάστε προσαρμοσμένα μοντέλα ανίχνευσης αντικειμένων χρησιμοποιώντας το YOLOv7.
• Ενσωματώστε το YOLOv7 με άλλα πλαίσια και εργαλεία υπολογιστικής όρασης.
• Αντιμετωπίστε κοινά ζητήματα που σχετίζονται με την υλοποίηση του YOLOv7.