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 εκπαίδευση υπό τον καθοδήγη σε Ελλάδα (διαδικτύου ή προσωπικά) διευθύνεται σε εξειδίκευσης επαγγελματίες που θέλουν να βελτιώσουν το κατwφύλαξη τους για τη ψηφιακή οπτική και να εξερευνήσουν τις δυνατότητες του TensorFlow για την ανάπτυξη περίεργων μοντέλων οπτικής χρησιμοποιώντας το Google Colab.

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

• Δημιουργήσουν και προπαιξθούν δικτυακά συνολικά νευρωνικές δίκτυα (CNNs) χρησιμοποιώντας το TensorFlow.
• Χρησιμοποιήσουν το Google Colab για κλείδωμα και αποτελεσματική ανάπτυξη μοντέλων βασιζόμενων σε εφευρέτρια πλατφόρμα.
• Εφαρμόσουν τεχνικές προεπεξεργασίας εικόνων για ψηφιακή οπτική.
• Ανάθεση μοντέλων ψηφιακής οπτικής για πραγματικά εφαρμογές.
• Χρησιμοποιήσουν μεταφορικό μάθηση για να βελτιώσουν τη δύναμη των CNN μοντέλων.
• Βιζυαλίσει και ερμηνεύσει τα αποτελέσματα των μοντέλων ταξινόμησης εικόνων.

Το CANN SDK (Compute Architecture for Neural Networks) παρέχει δυνατά εργαλεία χορήγησης και τεκμηρίωσης για εφαρμογές AI σε πραγματικό χρόνο στον κόσμο της υπολογιστικής οπτικής και του NLP, ειδικά για αρχιτεκτονικές Huawei Ascend.

Αυτός ο διεξαγόμενος εξ άλλων τυπού εκπαιδευτικό προγράμμα (σε υπερθέαμα ή σημείο) προσανατολίζεται σε διαστασιοχωρικούς πράξεις AI του προσωπικού που επιθυμούν να κατασκευάσουν, χορηγήσουν και οριοθετήσουν μοντέλα οπτικής και γλώσσας χρησιμοποιώντας το CANN SDK για παραγωγικά περιστατικά.

Μέχρι το τέλος αυτής της εκπαιδευτικής διαδικασίας, οι συμμετέχοντες θα μπορούν να:

• χορηγήσουν και τεκμηριώσουν μοντέλα CV και NLP χρησιμοποιώντας CANN και AscendCL.
• χρησιμοποιήσει εργαλεία του CANN για μεταφορά πρωτότυπων και ολοκλήρωση σε υπαρξιακές αναθεώρηση.
• τεχνικά βελτιώσει τη πίεση ορισμός, κατηγοροποίηση, και ανάλυση συναισθήματος.
• σχεδιάσει πραγματικό-χρονου CV/NLP αναθεώρηση για θέαμα τόξων διάθεσης είναι ή σε υπερθέαμα.

Σχήμα του προγράμματος

• Διακριτικό διδασκαλία και δείγμα.
• Εργασία μέσω πολιτικής χορηγών εκπαιδευτικά και αξιολόγηση τεχνική.
• Πραγματική σχεδιασμός παραθέσεων χρησιμοποιώντας αληθινά CV και NLP περιστατικά.

Επιλογές Προσαρμογής του Εκπαιδευτικού

• Για να αίτησε μια προσαρμοσμένη εκπαίδευση για αυτό το πρόγραμμα, παρακαλώ επικοινωνήστε μαζί μας.

Αυτή η εκπαίδευση με καθοδηγητή, είτε διαδικτυακή είτε δια ζώσης, απευθύνεται σε προγραμματιστές Τεχνητής Νοημοσύνης και μηχανικούς όρασης υπολογιστών μεσαίου επιπέδου που επιθυμούν να δημιουργήσουν ανθεκτικά συστήματα όρασης για εφαρμογές αυτόνομης οδήγησης.

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

• Κατανοήσουν τις θεμελιώδεις έννοιες της όρασης υπολογιστών στα αυτόνομα οχήματα.
• Εφαρμόσουν αλγορίθμους για ανίχνευση αντικειμένων, ανίχνευση λωρίδων και σημασιολογική τμηματοποίηση.
• Ενσωματώσουν συστήματα όρασης με άλλα υποσυστήματα αυτόνομων οχημάτων.
• Εφαρμόσουν τεχνικές βαθιάς μάθησης για προηγμένες εργασίες αντίληψης.
• Αξιολογήσουν την απόδοση των μοντέλων όρασης υπολογιστών σε πραγματικά σενάρια.

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 εκπαίδευση με οδηγό (online ή σε χώρο που ορίζει ο χρήστης) διεξάγεται για αναφορικούς και επιμέσον επιπέδου μελετητές και επαγγελματίες χημείων που θέλουν να επεξεργάζονται και αναλύσουν εικόνες σχετικά με ιστολογικά τεσσερά, αίματος κυττάρων, αλγέας και άλλα βιολογικά δείγματα.

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

• Να περιφερειογράψουν το διαδίκτυο Fiji και να εκμεταλλεύονται τις βασικές λειτουργίες της ImageJ.
• Να προεπεξεργάζονται και να ενισχύουν επιστημονικές εικόνες για καλύτερη ανάλυση.
• Να αναλύζουν εικόνες στατιστικά, περιλαμβανομένων της μετρήσης κυττάρων και της ομάδας.
• Να αυτοματοποιούν επαναλαμβανόμενες εργασίες χρησιμοποιώντας μακροδιαδίκτυα και πρόσθετα.
• Να προσαρμόζουν διεξοδικές διαδικασίες για ειδικά χρήσιμες ανάλυσες 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 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.

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

Τα Fiji είναι ένα πακέτο επεξεργασίας εικόνας ανοιχτού κώδικα που συνδυάζει το ImageJ (πρόγραμμα επεξεργασίας εικόνας για επιστημονικές πολυδιάστατες εικόνες) και μια σειρά από πρόσθετα για επιστημονική ανάλυση εικόνας.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τη διανομή των Φίτζι και το υποκείμενο πρόγραμμα ImageJ για να δημιουργήσουν μια εφαρμογή ανάλυσης εικόνας.

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

• Χρησιμοποιήστε τις προηγμένες δυνατότητες προγραμματισμού και τα στοιχεία λογισμικού των Φίτζι για να επεκτείνετε το ImageJ
• Ράψτε μεγάλες τρισδιάστατες εικόνες από επικαλυπτόμενα πλακίδια
• Ενημερώστε αυτόματα μια εγκατάσταση των Φίτζι κατά την εκκίνηση χρησιμοποιώντας το ενσωματωμένο σύστημα ενημέρωσης
• Επιλέξτε από μια ευρεία επιλογή γλωσσών δέσμης ενεργειών για να δημιουργήσετε προσαρμοσμένες λύσεις ανάλυσης εικόνας
• Χρησιμοποιήστε τις ισχυρές βιβλιοθήκες των Φίτζι, όπως το ImgLib σε μεγάλα σύνολα δεδομένων βιοεικόνων
• Αναπτύξτε την εφαρμογή τους και συνεργαστείτε με άλλους επιστήμονες σε παρόμοια έργα

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.

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.

Το OpenFace είναι Python και Torch λογισμικό αναγνώρισης προσώπου ανοιχτού κώδικα σε πραγματικό χρόνο που βασίζεται στην έρευνα FaceNet της Google.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τα στοιχεία του OpenFace για να δημιουργήσουν και να αναπτύξουν ένα δείγμα εφαρμογής αναγνώρισης προσώπου.

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

• Εργαστείτε με τα στοιχεία του OpenFace, συμπεριλαμβανομένων των dlib, OpenVC, Torch και nn4 για την εφαρμογή ανίχνευσης προσώπου, ευθυγράμμισης και μετασχηματισμού
• Εφαρμόστε το OpenFace σε εφαρμογές πραγματικού κόσμου, όπως παρακολούθηση, επαλήθευση ταυτότητας, εικονική πραγματικότητα, παιχνίδια και αναγνώριση επαναλαμβανόμενων πελατών κ.λπ.

Ακροατήριο

• προγραμματιστές
• Επιστήμονες δεδομένων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

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.

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:

• Να κατανοήσουν τα βασικά του Computer Vision
• Να χρησιμοποιήσουν το Python για να υλοποιήσουν εργασίες Computer Vision
• Να δημιουργήσουν δικά τους συστήματα ανίχνευσης προσώπων, αντικειμένων και κίνησης

Κοινό

• Προγραμματιστές Python που ενδιαφέρονται για το Computer Vision

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και εκτενής πρακτική εξάσκηση

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 τα OpenCV, Linux, Python κ.λπ.

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

• Εγκαταστήστε τα 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

Σημείωμα

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

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 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.