Computer Vision Training Courses

YOLOv7 è un modello di rilevamento di oggetti in tempo reale all'avanguardia per attività di visione artificiale.Questa formazione dal vivo con istruttore (in loco o in remoto) è rivolta a sviluppatori, ricercatori e data scientist di livello intermedio e avanzato che desiderano imparare come implementare il rilevamento di oggetti in tempo reale utilizzando YOLOv7.Al termine di questa formazione, i partecipanti saranno in grado di:

Comprendere i concetti fondamentali del rilevamento di oggetti. Installa e configura YOLOv7 per le attività di rilevamento degli oggetti. Addestra e testa modelli di rilevamento di oggetti personalizzati utilizzando YOLOv7. Integra YOLOv7 con altri framework e strumenti di visione artificiale. Risolvi i problemi comuni relativi all'implementazione di YOLOv7.

Formato del corso

Lezione interattiva e discussione. Tanti esercizi e pratica. Implementazione pratica in un ambiente di laboratorio dal vivo.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, contattaci per organizzare.

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.

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

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 Keras to build and train a convolutional neural network.
• Use computer vision techniques to identify lanes in an autonomos driving project.
• 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.

L'analisi video si riferisce alla tecnologia e alle tecniche utilizzate per elaborare un streaming video. Un'applicazione comune sarebbe la cattura e l'identificazione di eventi video dal vivo attraverso la rilevazione del movimento, il riconoscimento facciale, la folla e il conteggio dei veicoli, ecc. Questo allenamento diretto da istruttori, in diretta (online o on-site) è rivolto a sviluppatori che vogliono costruire modelli di rilevamento e tracciamento oggetti accelerati hardware per analizzare i dati video in streaming. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare il necessario ambiente di sviluppo, software e biblioteche per iniziare a sviluppare. Costruire, addestrare e implementare modelli di apprendimento profondo per analizzare i feed video dal vivo. Identificare, tracciare, segmentare e prevedere oggetti diversi all'interno dei quadri video. Ottimizzare i modelli di rilevamento e tracciamento degli oggetti. Sviluppare un'applicazione di analisi video intelligente (IVA).

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

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

YOLO (You Only Look Once) è un algoritmo che si trasforma in modelli pre-allenati per la rilevazione degli oggetti. È testato dal framework di rete neurale Darknet, rendendolo ideale per lo sviluppo di funzionalità di visione informatica basate sul database COCO (Common Objects in Context). Le ultime varianti del framework YOLO, YOLOv3-v4, consentono ai programmi di eseguire in modo efficiente le attività di localizzazione e classificazione degli oggetti mentre eseguono in tempo reale. Questo istruttore guidato, formazione dal vivo (online o on-site) è rivolto a sviluppatori di background e scienziati dei dati che vogliono incorporare modelli YOLO pre-allenati nei loro programmi guidati dall'impresa e implementare componenti cost-efficienti per la rilevazione degli oggetti. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare gli strumenti e le biblioteche necessari nella rilevazione degli oggetti utilizzando YOLO. Personalizzare le applicazioni della linea di comando Python che operano sulla base di modelli YOLO pre-allenati. Implementa il quadro dei modelli YOLO pre-allenati per vari progetti di visione informatica. Convertire i dati esistenti per la rilevazione degli oggetti in formato YOLO. Comprendere i concetti fondamentali dell’algoritmo YOLO per la visione informatica e/o l’apprendimento profondo.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

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

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 .

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

OpenCV è una libreria di funzioni di programmazione per la decifrazione delle immagini con algoritmi informatici. OpenCV 4 è la versione più recente OpenCV e fornisce modularità ottimizzata, algoritmi aggiornati e altro ancora. Con OpenCV 4 e Python, gli utenti saranno in grado di visualizzare, caricare e classificare immagini e video per il riconoscimento dell'immagine avanzata. Questo istruttore guidato, la formazione in diretta (online o on-site) è rivolto agli ingegneri software che vogliono programmare in Python con OpenCV 4 per l'apprendimento profondo. Al termine di questo corso, i partecipanti saranno in grado di:

Visualizzare, caricare e classificare immagini e video utilizzando OpenCV 4. Il Corano è il Corano, il Corano, il Corano, il Corano, il Corano e il Corano. Eseguire modelli di apprendimento profondo e generare rapporti influenti da immagini e video.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano 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 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 .