Computer Vision Training Courses

Caffe è una struttura di apprendimento profondo creata pensando a espressione, velocità e modularità.

Questo corso esplora l'applicazione di Caffe come framework di apprendimento profondo per il riconoscimento di immagini usando MNIST come esempio

Pubblico

Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare Caffe come framework.

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

- comprendere la struttura e i meccanismi di distribuzione di Caffe
- svolgere attività e configurazione di installazione / ambiente di produzione / architettura
- valutare la qualità del codice, eseguire il debug, il monitoraggio
- implementare la produzione avanzata come modelli di formazione, implementazione di livelli e registrazione

Marvin è un framework estensibile, multipiattaforma, open source per l'elaborazione di immagini e video sviluppato in Java . Gli sviluppatori possono utilizzare Marvin per manipolare le immagini, estrarre funzionalità dalle immagini per attività di classificazione, generare figure in modo algoritmico, elaborare set di dati di file video e impostare l'automazione di unit test.

Alcune delle applicazioni video di Marvin includono filtro, realtà aumentata, tracciamento degli oggetti e rilevazione del movimento.

In questo corso guidato da un istruttore, i partecipanti al corso apprenderanno i principi dell'analisi di immagini e video e utilizzeranno il Marvin Framework e i suoi algoritmi di elaborazione delle immagini per costruire la propria applicazione.

Formato del corso

- Vengono introdotti per la prima volta i principi di base dell'analisi delle immagini, dell'analisi video e del Marvin Framework. Agli studenti vengono assegnati compiti basati su progetti che consentono loro di mettere in pratica i concetti appresi. Entro la fine della lezione, i partecipanti avranno sviluppato la propria applicazione utilizzando il Marvin Framework e le librerie.

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

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.

Pattern Matching è una tecnica utilizzata per individuare i pattern specificati all'interno di un'immagine. Può essere utilizzato per determinare l'esistenza di caratteristiche specifiche 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 in modo specifico ciò che stiamo cercando, quindi ci dice se il modello previsto esiste o meno.

Formato del corso

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

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

In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno le basi di Computer Vision mentre passano attraverso la creazione di un set di semplici applicazioni di Computer Vision usando Python .

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

- Comprendi le basi di Computer Vision
- Utilizzare Python per implementare le attività di Computer Vision
- Costruisci i loro sistemi di rilevamento di volti, oggetti e movimenti

Pubblico

- Programmatori Python interessati a Computer Vision

Formato del corso

- Parte lezione, parte discussione, esercitazioni e esercitazioni pratiche

Questo corso di formazione dal vivo con istruttore introduce il software, l'hardware e il processo stepbystep necessari per costruire da zero un sistema di riconoscimento facciale Il riconoscimento facciale è anche noto come riconoscimento facciale L'hardware utilizzato in questo laboratorio include Rasberry Pi, un modulo fotocamera, servi (opzionale), ecc I partecipanti sono responsabili dell'acquisto di questi componenti stessi Il software utilizzato include OpenCV, Linux, Python, ecc Alla fine di questa formazione, i partecipanti saranno in grado di: Installa Linux, OpenCV e altre utilità e librerie software su un Rasberry Pi Configura OpenCV per acquisire e rilevare immagini facciali Comprendere le varie opzioni per il confezionamento di un sistema Rasberry Pi da utilizzare in ambienti realworld Adattare il sistema a una varietà di casi d'uso, tra cui sorveglianza, verifica dell'identità, ecc Pubblico Sviluppatori Tecnici hardware / software Persone tecniche in tutti i settori hobbisti Formato del corso Lezione di parte, discussione parziale, esercitazioni e pratica intensiva Nota Altre opzioni hardware e software includono: Arduino, OpenFace, Windows, ecc Se si desidera utilizzare uno di questi, si prega di contattarci per organizzare .

Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks.

Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano.

This instructor-led, live training (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) using deep learning techniques.

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

- Use computer vision techniques to identify lanes.
- Use Keras to build and train convolutional neural networks.
- Train a deep learning model to differentiate traffic signs.
- Simulate a fully autonomous car.

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.

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. Ti consente di lavorare con le immagini o i flussi video che provengono da webcam, Kinects, telecamere FireWire e IP o telefoni cellulari. Ti aiuta a creare software per rendere le tue varie tecnologie non solo di vedere il mondo, ma anche di capirlo.

Pubblico

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

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.