YOLOv7: Echtzeit-Objekt-Erkennung mit Computer Vision Schulung

Caffe ist ein Deep-Learning-Framework, das auf Ausdrucksstärke, Geschwindigkeit und Modularität ausgelegt ist.

Dieser Kurs erforscht die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung unter Verwendung von MNIST als Beispiel.

Zielgruppe

Dieser Kurs richtet sich an Deep-Learning-Forscher und -Ingenieure, die daran interessiert sind, Caffe als Framework zu nutzen.

Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein:

• die Struktur und Bereitstellungsmechanismen von Caffe zu verstehen
• Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchzuführen
• Kodierungskualität zu bewerten, Debugging und Monitoring durchzuführen
• fortgeschrittene Produktionsschritte wie das Training von Modellen, die Implementierung von Schichten und Logging umzusetzen

Diese von einem Dozenten geführte, lebendige Schulung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene AI-Entwickler und Computer-Vision-Ingenieure, die robuste Visionssysteme für autonome Fahrzeuge erstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die grundlegenden Konzepte der Computer-Vision in autonomen Fahrzeugen zu verstehen.
• Algorithmen für Objekterkennung, Spurerkennung und semantische Segmentierung umzusetzen.
• Visionssysteme mit anderen Unternehmenssystemen von autonomen Fahrzeugen zu integrieren.
• Tiefes Lernen zur Lösung fortgeschrittener Wahrnehmungsaufgaben anzuwenden.
• Die Leistungsfähigkeit von Computer-Vision-Modellen in realen Szenarien zu bewerten.

Diese von einem Ausbilder geleitete, live-Schulung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis des Computer Vision vertiefen und die Fähigkeiten von TensorFlow zur Entwicklung komplexer Vision-Modelle mit Google Colab erkunden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Faltungsschicht-Neuronale Netze (CNNs) mit TensorFlow zu bauen und zu trainieren.
• Google Colab für skalierbare und effiziente, cloudbasierte Modellentwicklung zu nutzen.
• Bildvorverarbeitungstechniken für Computer Vision-Aufgaben zu implementieren.
• Computer Vision-Modelle für Anwendungen in der Praxis bereitzustellen.
• Übertragungslernen (Transfer Learning) zur Leistungssteigerung von CNN-Modellen zu nutzen.
• Die Ergebnisse von Bildklassifikationsmodellen zu visualisieren und zu interpretieren.

Dieses von einem Trainer geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Ingenieure für Computer Vision, AI-Entwickler und IoT-Profi, die Computer-Vision-Modelle zur Echtzeitverarbeitung auf Edge-Geräten implementieren und optimieren möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Grundlagen von Edge AI und ihre Anwendungen in der Computer Vision zu verstehen.
• Optimierte Deep-Learning-Modelle auf Edge-Geräten für Echtzeitanalyse von Bildern und Videos einzurichten.
• Frameworks wie TensorFlow Lite, OpenVINO und NVIDIA Jetson SDK zur Moduldeployment zu verwenden.
• AI-Modelle auf Leistung, Energieeffizienz und niedrige Latenz zu optimieren.

Dieses von einem Trainer durchgeführte, live-Training in Schweiz (online oder vor Ort) richtet sich an Einsteiger im Bereich der Polizeiarbeit, die den Übergang vom manuellen Gesichtszeichnen zur Nutzung von KI-Tools für das Entwicklung von Gesichtserkennungssystemen wünschen.

Am Ende des Trainings werden die Teilnehmer in der Lage sein:

• Grundlagen der Künstlichen Intelligenz und Maschinelles Lernen zu verstehen.
• Die Grundlagen der digitalen Bildverarbeitung und deren Anwendung in der Gesichtserkennung zu erlernen.
• Fähigkeiten zur Nutzung von KI-Tools und Frameworks zur Erstellung von Gesichtserkennungsmodellen zu entwickeln.
• Praxiserfahrungen in der Entwicklung, Ausbildung und Testung von Gesichtserkennungssystemen zu sammeln.
• Ethische Überlegungen und Best Practices bei der Nutzung von Gesichtserkennungs-Technologien zu verstehen.

Fiji ist ein Open-Source-Bildverarbeitungsprogramm, das ImageJ (ein Bildverarbeitungsprogramm für wissenschaftliche mehrdimensionale Bilder) und eine Reihe von Plugins für die wissenschaftliche Bildanalyse enthält.

In dieser von einem Trainer geleiteten Live-Trainingsession lernen die Teilnehmer, wie man die Fiji-Distribution und das zugrunde liegende ImageJ-Programm verwendet, um eine Bildanalyseanwendung zu erstellen.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Fiji erweitern, indem sie fortgeschrittene Programmierfunktionen und Softwarekomponenten nutzen
• große 3D-Bilder aus überlappenden Kacheln zusammensetzen
• die Fiji-Installation beim Start automatisch mit dem integrierten Updatesystem aktualisieren
• aus einer breiten Palette von Skriptsprachen wählen, um benutzerdefinierte Bildanalyselösungen zu erstellen
• Fiji-Powerbibliotheken wie ImgLib für große Bioimagedatensätze verwenden
• ihre Anwendung bereitstellen und mit anderen Wissenschaftlern an ähnlichen Projekten zusammenarbeiten

Kursformat

• Interaktiver Vortrag und Diskussion.
• Viele Übungen und Praxisübungen.
• Hands-on-Implementierung in einer Live-Lab-Umgebung.

Kursanpassungsmöglichkeiten

• Für eine angepasste Schulung für diesen Kurs kontaktieren Sie uns bitte.

Dieses von einem Trainer geführte Live-Training in Schweiz (online oder vor Ort) richtet sich an Anfänger bis fortgeschrittene Forscher und Labortechniker, die Bilder im Zusammenhang mit histologischem Gewebe, Blutkörperchen, Algen und anderen biologischen Proben verarbeiten und analysieren möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Die Fiji-Oberfläche zu navigieren und die Kernfunktionen von ImageJ zu nutzen.
• Wissenschaftliche Bilder für eine bessere Analyse vorzubereiten und zu optimieren.
• Bilder quantitativ zu analysieren, einschließlich Zellzählung und Flächenmessung.
• Wiederkehrende Aufgaben mit Makros und Plugins zu automatisieren.
• Workflows für spezifische Bildanalysebedarfe in der biologischen Forschung anzupassen.

OpenCV (Open Source Computer Vision Library: http://opencv.org) ist eine Open-Source BSD-lizenzierte Bibliothek, die mehrere hundert Computer-Vision-Algorithmen enthält.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure und Architekten, die OpenCV für Computer-Vision-Projekte nutzen möchten

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Softwareingenieure, die in Python mit OpenCV 4 für Deep Learning programmieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Bilder und Videos mit OpenCV 4 betrachten, laden und klassifizieren.
• Deep Learning in OpenCV 4 mit TensorFlow und Keras zu implementieren.
• Deep-Learning-Modelle auszuführen und aussagekräftige Berichte aus Bildern und Videos zu erstellen.

Pattern Matching ist eine Technik zur Lokalisierung bestimmter Muster in einem Bild. Sie kann verwendet werden, um das Vorhandensein bestimmter Merkmale in einem aufgenommenen Bild zu bestimmen, z. B. das erwartete Etikett auf einem fehlerhaften Produkt in einer Fertigungsstraße oder die bestimmten Abmessungen eines Bauteils. Es unterscheidet sich von "Pattern Recognition" (das allgemeine Muster auf der Grundlage größerer Sammlungen verwandter Muster erkennt) dadurch, dass es spezifisch vorgibt, wonach wir suchen, und uns dann sagt, ob das erwartete Muster vorhanden ist oder nicht.

Format des Kurses

• Dieser Kurs führt in die Ansätze, Technologien und Algorithmen ein, die im Bereich des Musterabgleichs verwendet werden, wie er für Machine Vision gilt.

Computer Vision ist ein Bereich, der das automatische Extrahieren, Analysieren und Verstehen nützlicher Informationen aus digitalen Medien beinhaltet. Python ist eine hochwertige Programmiersprache, die für ihre klare Syntax und lesbare Code bekannt ist.

In diesem von einem Dozenten geführten Live-Training lernen die Teilnehmer die Grundlagen der Computer Vision, während sie eine Reihe einfacher Computer-Vision-Anwendungen mit Python erstellen.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Die Grundlagen der Computer Vision zu verstehen
• Python zur Durchführung von Computer Vision-Aufgaben zu verwenden
• Eigene Gesichtserkennung, Objekterkennung und Bewegungsverfolgungssysteme aufzubauen

Zielgruppe

• Python-Programmierer, die sich für Computer Vision interessieren

Aufbau des Kurses

• Theorieteil, Diskussion, Übungen und intensive praktische Anwendung

SimpleCV ist ein Open-Source-Framework, d. h. es handelt sich um eine Sammlung von Bibliotheken und Software, die Sie zur Entwicklung von Bildverarbeitungsanwendungen verwenden können. Damit können Sie mit Bildern oder Videoströmen arbeiten, die von Webcams, Kinects, FireWire- und IP-Kameras oder Mobiltelefonen stammen. Sie hilft Ihnen, Software zu entwickeln, mit der Ihre verschiedenen Technologien die Welt nicht nur sehen, sondern auch verstehen können.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure und Entwickler, die Bildverarbeitungsanwendungen mit SimpleCV entwickeln möchten.

Dieses instruktionsbasierte Live-Training in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Fachkräfte, die Vision Builder AI nutzen möchten, um automatisierte Prüfsysteme für SMT-Prozesse zu gestalten, umzusetzen und zu optimieren.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Automatisierte Prüfungen mit Vision Builder AI einzurichten und zu konfigurieren.
• Hochwertige Bilder für die Analyse aufzunehmen und vorzubereiten.
• Logikbasierte Entscheidungen zur Defektenerkennung und Prozessvalidierung umzusetzen.
• Prüfberichte zu generieren und die Systemleistung zu optimieren.

Dieses von einem Dozenten geführte Live-Training in Schweiz (online oder vor Ort) richtet sich an Backend-Entwickler und Datenwissenschaftler, die vorab trainierte YOLO-Modelle in ihre unternehmensorientierten Programme einbinden möchten und kosteneffektive Komponenten für Objekterkennung implementieren.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Die notwendigen Tools und Bibliotheken zur Objekterkennung mit YOLO zu installieren und zu konfigurieren.
• Python-Befehlszeilenanwendungen anzupassen, die auf vorab trainierten YOLO-Modellen basieren.
• Das Framework von vorab trainierten YOLO-Modellen für verschiedene Computer-Vision-Projekte zu implementieren.
• Vorhandene Datensätze zur Objekterkennung in das YOLO-Format zu konvertieren.
• Die grundlegenden Konzepte des YOLO-Algorithmus für Computer Vision und/oder Deep Learning zu verstehen.