Computer Vision Training Courses

Το YOLOv7 είναι ένα υπερσύγχρονο μοντέλο ανίχνευσης αντικειμένων σε πραγματικό χρόνο για εργασίες όρασης υπολογιστή.Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών (διαδικτυακή 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.

Μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και εξάσκηση. Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

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

Η βαθιά μάθηση είναι ένας υποπεδίο της μηχανικής μάθησης. Χρησιμοποιεί μεθόδους που βασίζονται σε παραστάσεις και δομές δεδομένων μάθησης, όπως νευρωνικά δίκτυα. Keras είναι API υψηλού επιπέδου νευρωνικών δικτύων για γρήγορη ανάπτυξη και πειραματισμό. Τρέχει πάνω από το TensorFlow , το CNTK ή το Theano. Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (επιτόπια ή απομακρυσμένη) απευθύνεται σε προγραμματιστές που επιθυμούν να κατασκευάσουν ένα αυτοκίνητο με αυτοδύναμη οδήγηση χρησιμοποιώντας τεχνικές βαθιάς μάθησης. Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Χρησιμοποιήστε τεχνικές ηλεκτρονικής όρασης για τον εντοπισμό λωρίδων.
• Χρησιμοποιήστε το Keras για να δημιουργήσετε και να εκπαιδεύσετε συνελικτικά νευρωνικά δίκτυα.
• Εκπαιδεύστε ένα μοντέλο βαθιάς μάθησης για να διαφοροποιήσετε τα σήματα κυκλοφορίας.
• Προσομοιώστε ένα πλήρως αυτόνομο αυτοκίνητο.

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πολλές ασκήσεις και πρακτική.
• Χειροκίνητη υλοποίηση σε εργασιακό περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

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

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.

Η ανάλυση βίντεο αναφέρεται στην τεχνολογία και τις τεχνικές που χρησιμοποιούνται για την επεξεργασία μιας ροής βίντεο. Μια κοινή εφαρμογή θα ήταν η συλλογή και η αναγνώριση ζωντανών γεγονότων βίντεο μέσω ανίχνευσης κινήσεων, αναγνώρισης προσώπου, πληθυσμού και αριθμού οχημάτων κλπ. Αυτή η εκπαιδευτική, ζωντανή εκπαίδευση (online ή on-site) απευθύνεται σε προγραμματιστές που επιθυμούν να δημιουργήσουν συσκευές επιταχυνόμενης ανίχνευσης αντικειμένων και μοντέλα παρακολούθησης για να αναλύσουν τα δεδομένα βίντεο streaming. Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

Εγκαταστήστε και ρυθμίστε το αναγκαίο περιβάλλον ανάπτυξης, λογισμικό και βιβλιοθήκες για να ξεκινήσετε την ανάπτυξη. Κατασκευάστε, εκπαιδεύστε και αναπτύξτε μοντέλα βαθιάς μάθησης για να αναλύσετε ζωντανά βιντεοπαιχνίδια. Αναγνωρίστε, παρακολουθήστε, κατακερματίστε και προβλέψτε διαφορετικά αντικείμενα μέσα στα πλαίσια βίντεο. Η βελτιστοποίηση των μοντέλων ανίχνευσης και παρακολούθησης αντικειμένων. Εφαρμογή έξυπνης ανάλυσης βίντεο (IVA).

Η μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και πρακτικές. Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

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

Το YOLO (You Only Look Once) είναι ένας αλγόριθμος που μετατρέπεται σε προετοιμασμένα μοντέλα για την ανίχνευση αντικειμένων. Έχει δοκιμαστεί από το Darknet Neural Network Framework, καθιστώντας το ιδανικό για την ανάπτυξη χαρακτηριστικών υπολογιστικής όρασης με βάση το σύνολο δεδομένων COCO (Common Objects in Context). Οι τελευταίες παραλλαγές του YOLO framework, YOLOv3-v4, επιτρέπουν στα προγράμματα να εκτελούν αποτελεσματικά αντικείμενα εντοπισμού και ταξινόμησης εργασιών ενώ εκτελούνται σε πραγματικό χρόνο. Αυτή η εκπαιδευτική, ζωντανή εκπαίδευση (online ή on-site) απευθύνεται σε backend προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να ενσωματώσουν προετοιμασμένα μοντέλα YOLO στα επιχειρηματικά προγράμματα τους και να εφαρμόσουν οικονομικά αποδοτικά συστατικά για την ανίχνευση αντικειμένων. Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

Εγκαταστήστε και ρυθμίστε τα απαραίτητα εργαλεία και βιβλιοθήκες που απαιτούνται στην ανίχνευση αντικειμένων χρησιμοποιώντας το YOLO. Προσαρμογή Python εφαρμογών γραμμής εντολών που λειτουργούν με βάση τα προετοιμασμένα μοντέλα YOLO. Εφαρμόστε το πλαίσιο των προετοιμασμένων μοντέλων YOLO για διάφορα έργα οπτικής υπολογιστή. Μετατρέψτε τα υπάρχοντα σύνολα δεδομένων για την ανίχνευση αντικειμένων σε μορφή YOLO. Κατανοήστε τις θεμελιώδεις έννοιες του αλγόριθμου YOLO για την οπτική υπολογιστή και / ή βαθιά μάθηση.

Η μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και πρακτικές. Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

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

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 .

OpenCV (Open Source Computer Vision Library: http://opencv.org) is an open-source BSD-licensed library that includes several hundreds of computer vision algorithms. Audience This course is directed at engineers and architects seeking to utilize OpenCV for computer vision projects

OpenCV είναι μια βιβλιοθήκη λειτουργιών προγραμματισμού για την αποκρυπτογράφηση εικόνων με αλγόριθμους υπολογιστών. OpenCV 4 είναι η τελευταία OpenCV έκδοση και παρέχει βελτιστοποιημένη ενότητα, ενημερωμένους αλγόριθμους και πολλά άλλα. Με OpenCV 4 και Python, οι χρήστες θα είναι σε θέση να δείτε, να φορτώσετε και να ταξινόμηση εικόνες και βίντεο για προηγμένη αναγνώριση εικόνας. Αυτή η εκπαιδευτική, ζωντανή εκπαίδευση (online ή online) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν σε Python με OpenCV 4 για βαθιά μάθηση. Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

Προβολή, φόρτωση και ταξινόμηση εικόνων και βίντεο χρησιμοποιώντας OpenCV 4. Εφαρμόστε βαθιά μάθηση σε OpenCV 4 με TensorFlow και Keras. Εκτελέστε μοντέλα βαθιάς μάθησης και δημιουργήστε εντυπωσιακές αναφορές από εικόνες και βίντεο.

Η μορφή του μαθήματος

Διαδραστική διάλεξη και συζήτηση. Πολλές ασκήσεις και πρακτικές. Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

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

This instructor-led, live training introduces the software, hardware, and step-by-step process needed to build a facial recognition system from scratch. Facial Recognition is also known as Face Recognition. The hardware used in this lab includes Rasberry Pi, a camera module, servos (optional), etc. Participants are responsible for purchasing these components themselves. The software used includes OpenCV, Linux, Python, etc. By the end of this training, participants will be able to:

• Install Linux, OpenCV and other software utilities and libraries on a Rasberry Pi.
• Configure OpenCV to capture and detect facial images.
• Understand the various options for packaging a Rasberry Pi system for use in real-world environments.
• Adapt the system for a variety of use cases, including surveillance, identity verification, etc.

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

Note

• Other hardware and software options include: Arduino, OpenFace, Windows, etc. If you wish to use any of these, please contact us to arrange.