Corso di formazione YOLOv7: Rilevamento in Tempo Reale di Oggetti con Computer Vision

Caffe è un framework di deep learning concepito con espressività, velocità e modularità come principi fondamentali.

Questo corso esplora l'applicazione di Caffe come framework di deep learning per il riconoscimento delle immagini utilizzando MNIST come esempio.

Pubblico di Riferimento

Questo corso è adatto a ricercatori e ingegneri del deep learning interessati all'uso di Caffe come framework.

Dopo aver completato questo corso, i partecipanti saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di Caffe
• svolgere compiti di installazione, configurazione dell'ambiente di produzione e architettura
• valutare la qualità del codice, eseguire il debug e la monitorizzazione
• implementare funzionalità avanzate come l'addestramento dei modelli, l'implementazione di layer e la registrazione

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.

Fiji è un pacchetto open-source per il processing delle immagini che include ImageJ (un programma di elaborazione di immagini scientifiche multidimensionali) e una serie di plugin per l'analisi delle immagini scientifiche.

In questo training guidato da un istruttore, i partecipanti impareranno come utilizzare la distribuzione Fiji e il suo programma sottostante ImageJ per creare un'applicazione di analisi delle immagini.

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

• Utilizzare le funzionalità avanzate di programmazione e i componenti software di Fiji per estendere ImageJ
• Ricomporre grandi immagini 3D da tessere sovrapposte
• Aggiornare automaticamente l'installazione di Fiji all'avvio utilizzando il sistema di aggiornamento integrato
• Selezionare da una vasta gamma di linguaggi di scripting per costruire soluzioni personalizzate di analisi delle immagini
• Utilizzare le potenti librerie di Fiji, come ImgLib, su grandi set di dati biologici
• Distribuire la loro applicazione e collaborare con altri scienziati in progetti simili

Formato del Corso

• Lezione interattiva e discussione.
• Molti esercizi e pratica.
• Implementazione manuale in un ambiente live-lab.

Opzioni di Personalizzazione del Corso

• Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

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.

OpenCV (Open Source Computer Vision Library: http://opencv.org) è una libreria open source con licenza BSD che include diverse centinaia di algoritmi di visione artificiale.

Pubblico

Questo corso è rivolto a ingegneri e architetti che cercano di utilizzare OpenCV per progetti di visione artificiale

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.

Pattern Matching è una tecnica utilizzata per localizzare modelli specifici all'interno di un'immagine. Può essere utilizzato per determinare l'esistenza di caratteristiche specificate all'interno di un'immagine acquisita, ad esempio l'etichetta prevista su un prodotto difettoso in una linea di fabbrica o le dimensioni specificate di un componente. È diverso da "Pattern Recognition" (che riconosce modelli generali basati su raccolte più ampie di campioni correlati) in quanto detta specificamente ciò che stiamo cercando, quindi ci dice se il modello atteso esiste o meno.

Formato del corso

• Questo corso introduce gli approcci, le tecnologie e gli algoritmi utilizzati nel campo del pattern matching in quanto applicato a Machine Vision.

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

SimpleCV è un framework open source, il che significa che è una raccolta di librerie e software che è possibile utilizzare per sviluppare applicazioni di visione. Consente di lavorare con le immagini o i flussi video provenienti da webcam, Kinect, FireWire e telecamere IP o telefoni cellulari. Ti aiuta a creare software per fare in modo che le tue varie tecnologie non solo vedano il mondo, ma lo comprendano anche.

Pubblico

Questo corso è rivolto a ingegneri e sviluppatori che desiderano sviluppare applicazioni di visione artificiale con SimpleCV.

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.