Corso di formazione Visione Artificiale con SimpleCV

Il CANN SDK (Compute Architecture for Neural Networks) fornisce potenti strumenti di distribuzione e ottimizzazione per applicazioni AI in tempo reale nella computer vision e nel NLP, specialmente su hardware Huawei Ascend.

Questo training guidato da un istruttore (online o in sede) è rivolto a professionisti dell'AI di livello intermedio che desiderano costruire, distribuire e ottimizzare modelli di visione e linguistica utilizzando il CANN SDK per scenari di produzione.

Al termine di questo training, i partecipanti saranno in grado di:

• Distribuire e ottimizzare modelli CV e NLP utilizzando CANN e AscendCL.
• Utilizzare gli strumenti CANN per convertire i modelli e integrarli nelle pipeline live.
• Ottimizzare le prestazioni di inferenza per compiti come la rilevazione, la classificazione e l'analisi dei sentimenti.
• Costruire pipeline CV/NLP in tempo reale per scenari di distribuzione sul bordo o basati su cloud.

Formato del Corso

• Lezione interattiva e dimostrazione.
• Laboratorio pratico con distribuzione di modelli e profilo delle prestazioni.
• Design di pipeline live utilizzando casi d'uso reali di CV e NLP.

Opzioni di Personalizzazione del Corso

• Per richiedere una formazione personalizzata per questo corso, contattateci per organizzare.

Questo corso guidato dall'instruttore, live (online o presso il sito), è rivolto a sviluppatori AI e ingegneri di computer vision intermedi che desiderano costruire sistemi visivi robusti per applicazioni di guida autonoma.

Alla fine di questo corso, i partecipanti saranno in grado di:

• Comprendere i concetti fondamentali della computer vision nei veicoli autonomi.
• Implementare algoritmi per la rilevazione degli oggetti, la rilevazione delle corsie e la segmentazione semantica.
• Integrare i sistemi visivi con altri sottosistemi dei veicoli autonomi.
• Applicare tecniche di deep learning per compiti di percezione avanzati.
• Valutare le prestazioni dei modelli di computer vision in scenari reali.

Questa formazione guidata dall'instruttore (online o in presenza) è rivolta a professionisti di livello avanzato che desiderano approfondire la propria comprensione della visione artificiale ed esplorare le capacità di TensorFlow per sviluppare modelli di visione sofisticati utilizzando Google Colab.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Costruire e addestrare reti neurali convoluzionali (CNN) utilizzando TensorFlow.
• Sfruttare Google Colab per lo sviluppo di modelli cloud-based scalabili ed efficienti.
• Implementare tecniche di pre-elaborazione delle immagini per compiti di visione artificiale.
• Distribuire modelli di visione artificiale per applicazioni reali.
• Utilizzare il transfer learning per migliorare le prestazioni dei modelli CNN.
• Visualizzare e interpretare i risultati dei modelli di classificazione delle immagini.

Questo training live guidato da un istruttore in Italia (online o sul posto) è rivolto a ingegneri di visione artificiale, sviluppatori AI e professionisti IoT di livello intermedio-avanzato che desiderano implementare e ottimizzare modelli di visione artificiale per il processing in tempo reale sui dispositivi edge.

Al termine di questo training, i partecipanti saranno in grado di:

• Comprendere le basi dell'Edge AI e le sue applicazioni nella visione artificiale.
• Distribuire modelli di deep learning ottimizzati sui dispositivi edge per l'analisi in tempo reale di immagini e video.
• Utilizzare framework come TensorFlow Lite, OpenVINO e NVIDIA Jetson SDK per la distribuzione dei modelli.
• Ottimizzare i modelli AI per le prestazioni, l'efficienza energetica e la inferenza a bassa latenza.

Questo addestramento live guidato da un istruttore in Italia (online o sul posto) si rivolge a personale di livello principiante delle forze dell'ordine che desidera passare dal disegno manuale dei volti alla utilizizzo di strumenti AI per lo sviluppo di sistemi di riconoscimento facciale.

Al termine di questo addestramento, i partecipanti saranno in grado di:

• Comprendere le basi dell'Intelligenza Artificiale e dell'Istruzione Automatica.
• Apprendere le nozioni di base del trattamento digitale delle immagini e la sua applicazione nel riconoscimento facciale.
• Sviluppare competenze nell'utilizzo degli strumenti e dei framework AI per creare modelli di riconoscimento facciale.
• Acquisire esperienza pratica nella creazione, addestramento e test dei sistemi di riconoscimento facciale.
• Comprendere le considerazioni etiche e le migliori pratiche nell'utilizzo della tecnologia di riconoscimento facciale.

Figi è un potente pacchetto open-source per l'elaborazione delle immagini che include ImageJ (un programma progettato per immagini scientifiche multidimensionali) insieme a una suite completa di plugin per l'analisi delle immagini scientifiche.

In questo corso dal vivo con istruttore, i partecipanti impareranno a sfruttare la distribuzione Figi e il programma sottostante ImageJ per creare applicazioni di analisi delle immagini robuste.

Al termine di questo corso, i partecipanti saranno in grado di:

• Utilizzare le funzionalità di programmazione avanzata e i componenti software di Figi per estendere le capacità di ImageJ
• Assemblare grandi immagini 3D a partire da piastrelle sovrapposte
• Automatizzare l'aggiornamento di un'installazione di Figi all'avvio utilizzando il sistema di aggiornamento integrato
• Scegliere tra un'ampia gamma di linguaggi di scripting per creare soluzioni di analisi delle immagini personalizzate
• Utilizzare le potenti librerie di Figi, come ImgLib, per elaborare efficientemente grandi set di dati bioimmagini
• Distribuire applicazioni e collaborare in modo efficace con altri scienziati su progetti simili

Formato del corso

• Lezione interattiva e discussione
• Esercizi estesi e applicazione pratica
• Implementazione pratica in un ambiente di laboratorio live

Opzioni di personalizzazione del corso

• Per richiedere una formazione personalizzata per questo corso, contattateci per organizzare i dettagli.

Questo training guidato da un istruttore (online o in sede) è rivolto a ricercatori e professionisti di laboratorio con competenze di livello iniziale o intermedio che desiderano elaborare e analizzare immagini relative a tessuti istologici, cellule del sangue, alghe e altri campioni biologici.

Al termine di questo training, i partecipanti saranno in grado di:

• Navigare nell'interfaccia di Fiji e utilizzare le funzioni principali di ImageJ.
• Preprocessare ed migliorare le immagini scientifiche per un'analisi migliore.
• Analizzare le immagini in modo quantitativo, compreso il conteggio delle cellule e la misurazione delle aree.
• Automatizzare i compiti ripetitivi utilizzando macro e plugin.
• Personalizzare i flussi di lavoro per le esigenze specifiche di analisi delle immagini nella ricerca biologica.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli ingegneri del software che desiderano programmare in Python con OpenCV 4 per il deep learning.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Visualizzare, caricare e classificare immagini e video utilizzando OpenCV 4.
• Implementa il deep learning in OpenCV, 4 con TensorFlow e Keras.
• Esegui modelli di deep learning e genera report di grande impatto da immagini e video.

La Visione Artificiale è un campo che coinvolge l'estrazione, l'analisi e la comprensione automatica di informazioni utili dai media digitali. Python è un linguaggio di programmazione ad alto livello famoso per la sua sintassi chiara e la leggibilità del codice.

In questa formazione guidata dal docente, i partecipanti impareranno le basi della Visione Artificiale mentre creano una serie di semplici applicazioni di Visione Artificiale utilizzando Python.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Comprendere le basi della Visione Artificiale
• Utilizzare Python per implementare compiti di Visione Artificiale
• Costruire propri sistemi di rilevamento facciale, oggetti e movimento

Pubblico di destinazione

• Programmatori Python interessati alla Visione Artificiale

Formato del corso

• Parte lezione, parte discussione, esercizi e ampio pratiche a mani all'opera

Questo corso live guidato dall'insegnante in Italia (online o presenza) è rivolto a professionisti di livello intermedio che desiderano utilizzare Vision Builder AI per progettare, implementare e ottimizzare sistemi di ispezione automatizzati per i processi SMT (Surface-Mount Technology).

Al termine di questo corso, i partecipanti saranno in grado di:

• Configurare ed impostare le ispezioni automatizzate utilizzando Vision Builder AI.
• Aquisire e pre-elaborare immagini di alta qualità per l'analisi.
• Implementare decisioni basate sulla logica per la rilevazione dei difetti e la validazione del processo.
• Generare rapporti di ispezione ed ottimizzare le prestazioni del sistema.

Questa formazione guidata dal docente (online o in sede) è rivolta a sviluppatori backend e data scientists che desiderano incorporare modelli pre-addestrati YOLO nei loro programmi aziendali e implementare componenti cost-effective per il rilevamento di oggetti.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Installare e configurare gli strumenti e le librerie necessari per il rilevamento di oggetti utilizzando YOLO.
• Personalizzare applicazioni Python a riga di comando che operano basandosi sui modelli pre-addestrati YOLO.
• Implementare il framework dei modelli pre-addestrati YOLO per vari progetti di visione artificiale.
• Convertire set di dati esistenti per il rilevamento di oggetti nel formato YOLO.
• Comprendere i concetti fondamentali dell'algoritmo YOLO per la visione artificiale e/o l'apprendimento profondo.

Questo training guidato dal docente (online o in presenza) Italia è rivolto a sviluppatori, ricercatori e data scientist intermedi o avanzati che desiderano imparare come implementare il rilevamento in tempo reale degli oggetti utilizzando YOLOv7.

Al termine di questo training, i partecipanti saranno in grado di:

• Comprendere i concetti fondamentali del rilevamento degli oggetti.
• Installare e configurare YOLOv7 per compiti di rilevamento degli oggetti.
• Allenare e testare modelli personalizzati di rilevamento degli oggetti utilizzando YOLOv7.
• Integrare YOLOv7 con altri framework e strumenti di computer vision.
• Risolvere i problemi comuni legati all'implementazione di YOLOv7.