Computer Vision Schulungen

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.

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 is an extensible, cross-platform, open-source image and video processing framework developed in Java. Developers can use Marvin to manipulate images, extract features from images for classification tasks, generate figures algorithmically, process video file datasets, and set up unit test automation.

Some of Marvin's video applications include filtering, augmented reality, object tracking and motion detection.

In this instructor-led, live course participants will learn the principles of image and video analysis and utilize the Marvin Framework and its image processing algorithms to construct their own application.

Format of the Course

- The basic principles of image analysis, video analysis and the Marvin Framework are first introduced. Students are given project-based tasks which allow them to practice the concepts learned. By the end of the class, participants will have developed their own application using the Marvin Framework and libraries.

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

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.

Video-Analyse bezieht sich auf die Technologie und Techniken, die zur Verarbeitung eines Video-Streams verwendet werden. Eine gemeinsame Anwendung wäre die Aufnahme und Identifizierung von Live-Video-Events durch Bewegungsdetektion, Gesichtserkennung, Menge und Fahrzeugrechnung usw.

Dieser Instructor-Leid, Live-Training (online oder OnSite) richtet sich an Entwickler, die Hardware-Accelerated Object Detection und Tracking-Modelle bauen möchten, um Streaming-Video-Daten zu analysieren.

Am Ende dieser Ausbildung können die Teilnehmer:

Installieren und konfigurieren Sie die notwendigen Entwicklungsumgebung, Software und Bibliotheken, um zu entwickeln. Bauen, trainieren und implementieren Sie Deep Learning-Modelle, um Live-Video-Feeds zu analysieren. Identifizieren, verfolgen, segmen und voraussagen verschiedene Objekte innerhalb von Videoframes. Optimieren Sie Objektdetektion und Tracking-Modelle. Entwickeln Sie eine intelligente Videoanalyse (IVA) Anwendung.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

YOLO (You Only Look Once) ist ein Algorithmus, das in vorbereitete Modelle für die Objektdetektion umgewandelt wird. Es wird durch das Darknet Neural Network Framework getestet, was es ideal für die Entwicklung von Computer Vision Features basierend auf der COCO (Common Objects in Context) Datensatz macht. Die neuesten Varianten des YOLO-Frameworks, YOLOv3-v4, ermöglichen Programmen, Objekte zu lokalisieren und Aufgaben zu klassifizieren, während sie in Echtzeit laufen.

Dieser Instructor-Leid, Live-Training (Online oder OnSite) richtet sich an Backend-Entwickler und Datenwissenschaftler, die vorbereitete YOLO-Modelle in ihre Enterprise-driven Programme integrieren und kosteneffiziente Komponenten für Objekt-Detektion implementieren möchten.

Am Ende dieser Ausbildung können die Teilnehmer:

Installieren und konfigurieren Sie die erforderlichen Tools und Bibliotheken, die in der Objektdetektion mit YOLO erforderlich sind. Personalisieren Python Kommando-Linie-Anwendungen, die auf der Grundlage von pre-trained YOLO-Modellen funktionieren. Implementieren Sie das Rahmen für vorbereitete YOLO-Modelle für verschiedene Computer Vision-Projekte. Konvertieren Sie bestehende Datensätze für Objektdetektion in YOLO-Format. Verständnis der grundlegenden Konzepte des YOLO-Algorithms für Computervision und/oder tiefer Lernen.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

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 .

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

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 .

OpenCV ist eine Bibliothek von Programmierfunktionen für die Entschlüsselung von Bildern mit Computer-Algorithmen. OpenCV 4 ist die neueste OpenCV-Ausgabe und bietet optimierte Modularität, aktualisierte Algorithmen und vieles mehr. Mit OpenCV 4 und Python können Benutzer Bilder und Videos für fortgeschrittene Bilderkennung ansehen, laden und klassifizieren.

Dieser Instructor-leitet, Live-Training (Online oder OnSite) richtet sich an Software-Ingenieure, die in Python mit OpenCV 4 für tiefe Lernen programmieren möchten.

Am Ende dieser Ausbildung können die Teilnehmer:

Anzeigen, Laden und Klassifizieren von Bildern und Videos mit OpenCV 4. Und siehe, siehe, siehe, siehe, siehe, siehe, siehe, siehe, siehe, siehe, siehe, siehe, siehe! Laden Sie tiefe Lernmodelle aus und generieren Sie beeindruckende Berichte aus Bildern und Videos.

Format des Kurses

Interaktive Unterricht und Diskussion. Viele Übungen und Übungen. Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.