Computer Vision Schulungen

Caffe ist ein umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt.

In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert

Publikum

Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe .

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

- die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
- Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
- Codequalität beurteilen, Debugging und Überwachung durchführen
- Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung

Marvin ist ein erweiterbares, plattformübergreifendes Open-Source-Framework für die Bild- und Videoverarbeitung, das in Java entwickelt wurde. Entwickler können mit Marvin Bilder manipulieren, Merkmale aus Bildern für Klassifizierungsaufgaben extrahieren, Zahlen algorithmisch generieren, Videodateidatensätze verarbeiten und die Automatisierung von Komponententests einrichten.

Einige der Marvin von Marvin umfassen Filterung, Augmented Reality, Objektverfolgung und Bewegungserkennung.

In diesem von Lehrern geleiteten Live-Kurs lernen die Teilnehmer die Prinzipien der Bild- und Videoanalyse und verwenden das Marvin Framework und seine Bildverarbeitungsalgorithmen, um ihre eigene Anwendung zu erstellen.

Format des Kurses

- Zunächst werden die Grundprinzipien der Bildanalyse, Videoanalyse und des Marvin Frameworks vorgestellt. Die Studierenden erhalten projektbezogene Aufgaben, mit denen sie die erlernten Konzepte üben können. Am Ende des Kurses haben die Teilnehmer ihre eigene Anwendung unter Verwendung des Marvin Frameworks und der Bibliotheken entwickelt.

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

Publikum

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

OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.

This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.

By the end of this training, participants will be able to:

- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.

Die Mustererkennung ist eine Technik, mit der bestimmte Muster in einem Bild gesucht werden. Es kann verwendet werden, um das Vorhandensein bestimmter Merkmale in einem erfassten Bild zu bestimmen, z. B. das erwartete Etikett auf einem fehlerhaften Produkt in einer Fertigungslinie oder die angegebenen Abmessungen eines Bauteils. Es unterscheidet sich von der " Pattern Recognition " (die allgemeine Muster erkennt, die auf größeren Sammlungen verwandter Muster basieren) darin, dass es genau festlegt, wonach wir suchen, und uns dann mitteilt, 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 Pattern Matching für Machine Vision .

Computer Vision ist ein Bereich, in dem nützliche Informationen aus digitalen Medien automatisch extrahiert, analysiert und verstanden werden. Python ist eine High-Level-Programmiersprache, die für ihre klare Syntax und Codelesbarkeit bekannt ist.

In diesem von Lehrern geführten Live-Training lernen die Teilnehmer die Grundlagen von Computer Vision kennen, während sie mit Python Reihe einfacher Computer Vision-Anwendungen erstellen.

Am Ende dieser Schulung können die Teilnehmer:

- Grundlegendes zu Computer Vision
- Verwenden Sie Python , um Computer Vision-Aufgaben zu implementieren
- Erstellen Sie eigene Systeme zur Gesichts-, Objekt- und Bewegungserkennung

Publikum

- Python Programmierer, die sich für Computer Vision interessieren

Format des Kurses

- Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben

Dieses instruierte Live-Training stellt den Software-, Hardware- und Step-by-Step-Prozess vor, der benötigt wird, um ein Gesichtserkennungssystem von Grund auf aufzubauen Gesichtserkennung ist auch als Gesichtserkennung bekannt Die in diesem Labor verwendete Hardware umfasst Rasberry Pi, ein Kameramodul, Servos (optional) usw Die Teilnehmer sind selbst für den Kauf dieser Komponenten verantwortlich Die verwendete Software beinhaltet OpenCV, Linux, Python, etc Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie Linux, OpenCV und andere Software-Hilfsprogramme und Bibliotheken auf einem Rasberry Pi Konfigurieren Sie OpenCV zum Erfassen und Erkennen von Gesichtsbildern Verstehen Sie die verschiedenen Möglichkeiten, ein Rasberry Pi-System für den Einsatz in realen Umgebungen zu verpacken Passen Sie das System für eine Vielzahl von Anwendungsfällen an, einschließlich Überwachung, Identitätsüberprüfung usw Publikum Entwickler Hardware- / Software-Techniker Technische Personen in allen Branchen Hobbyisten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Andere Hardware- und Softwareoptionen umfassen: Arduino, OpenFace, Windows usw Wenn Sie eines dieser Produkte verwenden möchten, kontaktieren Sie uns bitte, um dies zu arrangieren .

Deep Learning ist ein Teilgebiet des maschinellen Lernens. Es verwendet Methoden, die auf dem Lernen von Datendarstellungen und Strukturen wie neuronalen Netzen basieren.

Keras ist eine High-Level-API für neuronale Netze für schnelle Entwicklung und Experimente. Es läuft auf TensorFlow , CNTK oder Theano.

Dieses von Lehrern geleitete Live-Training (vor Ort oder per Fernzugriff) richtet sich an Entwickler, die ein selbstfahrendes Auto mit vertieften Lerntechniken bauen möchten.

Am Ende dieser Schulung können die Teilnehmer:

- Verwenden Sie Computer Vision-Techniken, um Fahrspuren zu identifizieren.
- Verwenden Sie Keras , um Faltungs-Neuronale Netze aufzubauen und zu trainieren.
- Trainieren Sie ein Deep-Learning-Modell, um Verkehrszeichen zu unterscheiden.
- Simulieren Sie ein völlig autonomes Auto.

Format des Kurses

- Interaktiver Vortrag und Diskussion.
- Viele Übungen und Übungen.
- Praktische Implementierung in einer Live-Laborumgebung.

Anpassungsoptionen für den Kurs

- Um ein individuelles Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte, um dies zu arrangieren.

SimpleCV ist ein Open-Source-Framework. Dies bedeutet, dass es sich um eine Sammlung von Bibliotheken und Software handelt, mit denen Sie Vision-Anwendungen entwickeln können. Damit können Sie mit Bildern oder Videostreams arbeiten, die von Webcams, Kinects, FireWire- und IP-Kameras oder Mobiltelefonen stammen. Es hilft Ihnen beim Erstellen von Software, damit Ihre verschiedenen Technologien die Welt nicht nur sehen, sondern auch verstehen.

Publikum

Dieser Kurs richtet sich an Ingenieure und Entwickler, die Computer Vision-Anwendungen mit SimpleCV entwickeln möchten.

Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.

This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.

By the end of this training, participants will be able to:

- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

- To request a customized training for this course, please contact us to arrange.