Εκπαίδευση Computer Vision στην Ελλάδα

Αυτή η εκπαιδευτικός-διευθυνόμενη, ζωντανή εκπαίδευση στο Ελλάδα (online ή μέσω web) προσανατολίζεται σε μηχανικούς της υπολογιστικής οπτικής, αναπτυκτές AI και εxperts IoT που θέλουν να εφαρμόσουν και να τεκμηριώσουν μοντέλα υπολογιστικής οπτικής για πραγματικό-χρονη επεξεργασία σε κατώτερα εξοπλισμά.

Από το τέλος αυτής της εκπαιδεύσης, οι συμμετέχοντες θα μπορούν να:

• Να καταλάβουν τα βασικά στοιχεία της Edge AI και τις εφαρμογές της στη υπολογιστική οπτική.
• να διαθέσουν προσαρμογεδές μοντέλα μαθητείας με βάση ταυτόχρονα δεδομένα σε κατώτερα εξοπλισμά για πραγματικό-χρονη ανάλυση εικόνων και βίντεο.
• να χρησιμοποιήσουν πλαίσια όπως TensorFlow Lite, OpenVINO και NVIDIA Jetson SDK για τη διάθεση των μοντέλων.
• να βελτιώσουν τα μοντέλα AI για απόδοση, αποδοτικότητα ενέργειας και συμπεράσματα χαμηλής λατενσίας.

Αυτή η διδασκαλία υπό επιβλέψη καθηγητών, δια ζωντανά (online ή on-site) απευθύνεται σε επαγγελματίες του υψηλότερου επιπέδου που επιθυμούν να βαθύνουν την κατανόησή τους στην υπολογιστική όραση και να αναδιευθύνουν τις δυνατότητες του TensorFlow για την ανάπτυξη περίπλοκων μοντέλων όρασης χρησιμοποιώντας Google Colab.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Δημιουργήσουν και εκπαιδεύσουν δίκτυα τυχαίων ενδεικτών (CNNs) με TensorFlow.
• Να χρησιμοποιήσουν Google Colab για ανάπτυξη κλωβώδων και αποδοτικών μοντέλων σε πλαίσιο νεφέλης.
• Να εφαρμόσουν τεχνικές προεπεξεργασίας εικόνας για εργασίες υπολογιστικής όρασης.
• Να εφαρμόσουν μοντέλα υπολογιστικής όρασης για πραγματικές εφαρμογές.
• Να χρησιμοποιήσουν μεταφορά μάθησης (transfer learning) για τη βελτίωση της απόδοσης των μοντέλων CNN.
• Να οπτικοποιήσουν και να ερμηνεύσουν τα αποτελέσματα μοντέλων κατηγοριοποίησης εικόνας.

Το CANN SDK (Compute Architecture for Neural Networks) παρέχει δυναμικά εργαλεία υποστήριξης και βελτιστοποίησης για εφαρμογές ζωντανής τεχνητής νοημοσύνης στην ανίχνευση εικόνας και NLP, ειδικά σε υπολογιστική υποδομή Huawei Ascend.

Αυτή η εκπαιδευτική δραστηριότητα, που καθοδηγείται από εκπαιδευτή (online ή όντως), στρέφεται προς μεταξύ-επίπεδους ειδικοί της τεχνητής νοημοσύνης, οι οποίοι θέλουν να κατασκευάζουν, να υποστηρίζουν και να βελτιστοποιούν τα μοντέλα ανίχνευσης εικόνας και γλώσσας χρησιμοποιώντας το CANN SDK για περιπτόσεις χρήσης παραγωγής.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Υποστηρίζουν και βελτιστοποιούν μοντέλα CV και NLP χρησιμοποιώντας CANN και AscendCL.
• Χρησιμοποιούν τα εργαλεία CANN για να μετατρέψουν τα μοντέλα και να τα ολοκληρώσουν σε ζωντανές πιπάδες.
• Βελτιστοποιούν την απόδοση κυρίων εργασιών όπως η ανίχνευση, η κατηγοριοποίηση και η ανάλυση συναισθήματος.
• Κατασκευάζουν πιπάδες CV/NLP τόνων για υλοποίηση σε κρίσιμους ή σε βασισμένες στον νεφέλη.

Μορφή του μαθήματος

• Ενεργός διάλογος και δείγμα.
• Πρακτική εργασία με υποστήριξη μοντέλων και προφίλ απόδοσης.
• Σχεδιασμός ζωντανών πιπάδων χρησιμοποιώντας πραγματικές εφαρμογές CV και NLP.

Εξουσιοδότηση του μαθήματος

• Για να ζητήσετε εξουσιοδοτημένη εκπαίδευση για αυτό το μάθημα, παρακαλώ επικοινωνήστε μαζί μας για να καταλογίσετε.

Αυτή η εκπαίδευση που διοργανώνεται από καθηγητή σε Ελλάδα (online ή on-site) είναι απευθείας σε γνωστικά μέσου επιπέδου AI προγραμματιστές και μηχανικούς υπολογιστικής ορασίας που επιθυμούν να δημιουργήσουν αξιόπιστες συστήματα υπολογιστικής ορασίας για εφαρμογές αυτόνομης κυκλοφορίας.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Να καταλάβουν τα βασικά πρωτότυπα συγκεπτά της υπολογιστικής ορασίας σε αυτόνομα όχημα.
• Να εφαρμόζουν αλγόριθμους για την ανίχνευση αντικειμένων, την ανίχνευση λωρίδων και την σημαντική διάχωριση.
• Να ενσωματώνουν συστήματα υπολογιστικής ορασίας με άλλες υποσυστήματα αυτόνομων οχημάτων.
• Να εφαρμόζουν τεχνικές βαθύτερης μάθησης για προηγμένες καθηκόντα ανίχνευσης.
• Να επιλύουν την απόδοση υπολογιστικών μοντέλων σε πραγματικά δείγματα.

Αυτή η εκπαίδευση με επιμέλεια διδάσκοντα σε Ελλάδα (διαδικτύου ή πραγματικό χώρο) στοχεύει σε νέους επιθεωρητές που θέλουν να μεταβαίνουν από την εγκάλυψη χειρογράφων προσώπων στη χρήση εργαλείων τεχνητής νοημοσύνης για την ανάπτυξη συστημάτων αναγνώρισης προσώπων.

Ανάλογα με το τέλος αυτής της εκπαιδεύσεως, οι συμμετέχοντες θα μπορούν να:

• Καταλάβουν τη βασική θεωρία της τεχνητής νοημοσύνης και της μηχανικής μάθησης.
• Μάθουν τα βασικά στοιχεία της ψηφιακής επεξεργασίας εικόνων και την εφαρμογή της στην αναγνώριση προσώπων.
• Αναπτύξουν τεχνικές χρησιμοποιώντας εργαλεία και πλαίσια τεχνητής νοημοσύνης για τη δημιουργία μοντέλων αναγνώρισης προσώπων.
• Αξικαταφύγουν πρακτική εμπειρία στη δημιουργία, εκπαίδευση και δοκιμή συστημάτων αναγνώρισης προσώπων.
• Καταλάβουν τις ενθεματικές θεωρίες και τις καλές πρακτικές στη χρήση τεχνολογίας αναγνώρισης προσώπων.

Αυτή η εκπαιδευτική διαδραστική, ζωντανή εκπαίδευση στο Ελλάδα (online ή onsite) απευθύνεται σε νέους μελετητές και επαγγελματικούς των εργαστηρίων, που θέλουν να επεξεργάζονται και να αναλύουν εικόνες σχετικά με ιστολογικές τκίσεις, αίματος κυττάρων, φυκών και άλλων βιολογικών δειγμάτων.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Πλοηγούνται στο διεπαφή του Fiji και να χρησιμοποιούν τις βασικές λειτουργίες του ImageJ.
• Προεξεργάζονται και να επιβελτιώνουν επιστημονικές εικόνες για καλύτερη ανάλυση.
• Να αναλύουν εικόνες με τρόπο ποσοτικό, συμπεριλαμβανομένων των κυττάρων και μέτρησης περιοχών.
• Να αυτοματοποιούν επαναλαμβανόμενες εργασίες χρησιμοποιώντας μακροκωδικές οδηγίες και πρόσθετα.
• Να προσαρμόζουν τα ρούτιν για συγκεκριμένες ανάγκες ανάλυσης εικόνων στη βιολογική έρευνα.

Αυτή η εκπαιδευτική διαμορφωμένη εκπαίδευση σε Ελλάδα (διαδικτύου ή επί τόπου) προσβάλλει επαγγελματίες μεταξύ κλίμακας οι οποίοι θέλουν να χρησιμοποιήσουν το Vision Builder AI για να σχεδιάσουν, εφαρμόσουν και βελτιώσουν αυτοματοποιημένα συστήματα ελέγχου για διαδικασίες SMT (Surface-Mount Technology).

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εγκαταστήσουν και ρυθμίσουν αυτοματοποιημένους ελέγχους χρησιμοποιώντας το Vision Builder AI.
• Αποκτήσουν και προεπεξεργάσουν υψηλότυπες εικόνες για ανάλυση.
• Εφαρμόσουν λογικές αποφάσεις για την εντοπιση παραδοχών και τη διαβεβαίωση της διαδικασίας.
• Δημιουργήσουν εκθέσεις ελέγχου και βελτιώσουν την απόδοση του συστήματος.

Αυτή η κατεύθυνση, που διεξάγεται από εκπαιδευτικούς (online ή on-site) σε Ελλάδα, απευθύνεται σε διαμεσοβάθμιους ως ή προχωρημένους προγραμματιστές, ερευνητές και επιστήμονες δεδομένων που θέλουν να μάθουν πώς να υλοποιήσουν ανίχνευση αντικειμένων σε πραγματικό χρόνο με το YOLOv7.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Να καταλάβουν τα βασικά προσεγγίζματα για την ανίχνευση αντικειμένων.
• Να εγκαταστήσουν και να διαμορφώσουν το YOLOv7 για εργασίες ανίχνευσης αντικειμένων.
• Να καλιβρώσουν και να δοκιμάσουν προσαρμοσμένα μοντέλα ανίχνευσης αντικειμένων χρησιμοποιώντας το YOLOv7.
• Να ενσωματώσουν το YOLOv7 σε άλλα πλαίσια και εργαλεία τεχνολογίας οπτικής εξόρθωσης.
• Να αντιμετωπίζουν κοινά προβλήματα σχετικά με την υλοποίηση του YOLOv7.

Το Fiji είναι ένα πακέτο ανοιχτού κώδικα για την επεξεργασία εικόνων, το οποίο συμπεριλαμβάνει το ImageJ (ένα πρόγραμμα για την επεξεργασία εικόνων για επιστημονικές πολυδιάστατες εικόνες) και μια σειρά plugin για την επιστημονική ανάλυση εικόνων.

Σε αυτή τη διδασκαλία με καθοδήγηση εκπαιδευτή, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιήσουν την κατανομή Fiji και το αντίγραφό του ImageJ για να δημιουργήσουν μια εφαρμογή ανάλυσης εικόνων.

Στο τέλος αυτής της κατάρτισης, οι συμμετέχοντες θα είναι σε θέση να:

• Να χρησιμοποιούν τις προηγμένες λειτουργίες προγραμματισμού και τα πρόγραμμα-κέιται του Fiji για να επεκτείνουν το ImageJ
• Να συνδυάζουν μεγάλες 3D εικόνες από κεφάλαια tiles
• Να αναβαθμίζουν αυτόματα μια εγκατάσταση Fiji κατά την έναρξη χρησιμοποιώντας το σύστημα αναβάθμισης που ολοκληρώνεται
• Να επιλέγουν από μια γενναιόδωρη επιλογή γλωσσών scripting για να κατασκευάζουν περιβάλλοντα προσαρμοσμένης ανάλυσης εικόνων
• Να χρησιμοποιούν τις δυνατές βιβλιοθήκες του Fiji, όπως την ImgLib σε μεγάλα bioimage datasets
• Να εφαρμόζουν την εφαρμογή τους και να συνεργάζονται με άλλους επιστήμονες σε παρόμοια έργα

Μορφή του Μαθήματος

• Διαδραστικός ρήτρα και συζήτηση.
• Πολλά ασκήματα και πράξεις.
• Εφαρμογή χειρόνικη σε ένα εργαστήριο live-lab environment.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλώ επικοινωνήστε μαζί μας για να οργανώσετε.

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

Ακροατήριο

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

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν στο Python με 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 μάθηση στο OpenCV 4 με τα TensorFlow και Keras.
• Εκτελέστε μοντέλα βαθιάς εκμάθησης και δημιουργήστε εντυπωσιακές αναφορές από εικόνες και βίντεο.

Pattern Matching είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό καθορισμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης καθορισμένων χαρακτηριστικών σε μια καταγεγραμμένη εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια εργοστασιακή γραμμή ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Διαφέρει από το "Pattern Recognition" (το οποίο αναγνωρίζει γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι υπαγορεύει συγκεκριμένα αυτό που ψάχνουμε και, στη συνέχεια, μας λέει εάν το αναμενόμενο μοτίβο υπάρχει ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στον τομέα της αντιστοίχισης προτύπων όπως ισχύει για το Machine Vision.

Η οπτική της υπολογιστικής είναι ένας τομέας που ασχολείται με την αυτόματη εξαγωγή, ανάλυση και κατανόηση χρήσιμων πληροφοριών από νατίβα μέσα. Το Python είναι ένα υψηλού επιπέδου γλώσσα προγραμματισμού γνωστή για τη σαφή συνταξη και τη βαθιά διαβασιμότητα του κώδικα.

Σε αυτό το οδηγούμενο, ζωντανό εκπαιδευτικό πρόγραμμα, οι συμμετέχοντες θα μάθουν τις βασικές αρχές της υπολογιστικής οπτικής καθώς προχωρούν στη δημιουργία μιας σειράς απλών εφαρμογών υπολογιστικής οπτικής χρησιμοποιώντας το Python.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Κατανοήσουν τις βασικές αρχές της υπολογιστικής οπτικής
• Χρησιμοποιήσουν το Python για να εκτελούν εργασίες υπολογιστικής οπτικής
• Κατασκευάσουν το δικό τους σύστημα ανίχνευσης προσώπων, αντικειμένων και κίνησης

Ακροατήριο

• Προγραμματιστές Python που ενδιαφέρονται για τη υπολογιστική οπτική

Μορφή του μαθήματος

• Τμήμα παράσταση, τμήμα συζήτηση, ασκήσεις και αυτόνομη πράξη με βαρύ πρακτικό εργαλείο

Το SimpleCV είναι ένα πλαίσιο ανοιχτού κώδικα — που σημαίνει ότι είναι μια συλλογή από βιβλιοθήκες και λογισμικό που μπορείτε να χρησιμοποιήσετε για την ανάπτυξη εφαρμογών όρασης. Σας επιτρέπει να εργάζεστε με τις εικόνες ή τις ροές βίντεο που προέρχονται από κάμερες web, Kinects, FireWire και κάμερες IP ή κινητά τηλέφωνα. Σας βοηθά να δημιουργήσετε λογισμικό για να κάνετε τις διάφορες τεχνολογίες σας όχι μόνο να δουν τον κόσμο, αλλά και να τον κατανοήσουν.

Ακροατήριο

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

Αυτή η καθοδηγούμενη από δάσκαλο, ζωντανή εκπαίδευση σε Ελλάδα (online ή on-site) προορίζεται για υποβαθμιστές διαμόρφωσης και επιστήμονες δεδομένων, οι οποίοι θέλουν να ενσωματώσουν προ-εκπαιδευμένα μοντέλα YOLO στα προγράμματα τους και να υλοποιήσουν αποδοτικά συστατικά για την ανίχνευση αντικειμένων.

Το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Εγκαταστήσουν και ρυθμίσουν τις απαραίτητες εργαλεία και βιβλιοθήκες που απαιτούνται για την ανίχνευση αντικειμένων χρησιμοποιώντας YOLO.
• Προσαρμόσουν εφαρμογές Python command-line που λειτουργούν βασισμένες σε προ-εκπαιδευμένα μοντέλα YOLO.
• Υλοποιήσουν τη δομή προ-εκπαιδευμένων μοντέλων YOLO για διάφορα έργα υπολογιστικής ορασίας.
• Μετατρέψουν υπάρχουσες πληθυσμιακές βάσεις δεδομένων ανίχνευσης αντικειμένων σε YOLO format.
• Κατανοήσουν τα θεμελιώδη χαρακτηριστικά του αλγόριθμου YOLO για υπολογιστική ορασία και/ή βαθιά μάθηση.