Cursos de Visão Computacional | Cursos de Computer Vision

Caffe é uma framework de deep learning construída com os modelos de expressão, velocidade e modularidade em mente. Este curso explora a aplicação do Caffe como uma framework para o reconhecimento de imagem.
Depois de completar o curso os participantes poderão:
- Entender a estrutura do Caffe e os mecanismos de despacho
- Monitorar a qualidade do código, debugging etc...

Marvin é uma estrutura extensível, multi-plataforma, de código aberto de imagem e processamento de vídeo desenvolvida em Java. os desenvolvedores podem usar Marvin para manipular imagens, extrair recursos de imagens para tarefas de classificação, gerar figuras de forma algorithmically, processar conjuntos de dados de arquivo de vídeo e configurar a automação de teste de unidade.

alguns dos aplicativos de vídeo Marvin & #39; s incluem filtragem, realidade aumentada, rastreamento de objetos e detecção de movimento.

neste ministrado por instrutor, os participantes do curso ao vivo aprenderão os princípios de análise de imagem e vídeo e utilizarão o Marvin Framework e seus algoritmos de processamento de imagem para construir sua própria aplicação.

formato do curso

- os princípios básicos de análise de imagem, análise de vídeo e Marvin Framework são introduzidos pela primeira vez. Os alunos recebem tarefas baseadas em projetos que lhes permitem praticar os conceitos aprendidos. Até o final da aula, os participantes terão desenvolvido seu próprio aplicativo usando o Marvin Framework e bibliotecas.

OpenCV (Open Source Computer Vision Library: http://opencv.org) é uma biblioteca BSD de código aberto que inclui várias centenas de algoritmos de visão computacional.

Público

Este curso é dirigido a engenheiros e arquitetos que buscam utilizar o OpenCV para projetos de visão computacional.

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.

Correspondência de padrões é uma técnica usada para localizar padrões especificados em uma imagem. Ele pode ser usado para determinar a existência de características especificadas dentro de uma imagem capturada, por exemplo, o rótulo esperado em um produto defeituoso em uma linha de fábrica ou as dimensões especificadas de um componente. É diferente de " Pattern Recognition " (que reconhece padrões gerais baseados em coleções maiores de amostras relacionadas) na medida em que determina especificamente o que estamos procurando, então nos diz se o padrão esperado existe ou não.

Formato do Curso

- Este curso apresenta as abordagens, tecnologias e algoritmos usados no campo de correspondência de padrões, conforme se aplica à Machine Vision .

Computer Visão por Computer é um campo que envolve extrair, analisar e compreender automaticamente informações úteis da mídia digital. Python é uma linguagem de programação de alto nível famosa por sua sintaxe clara e legibilidade de código.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão o básico sobre a Visão Computer enquanto avançam na criação do conjunto de aplicativos simples de Visão Computer usando o Python .

No final deste treinamento, os participantes serão capazes de:

- Entenda os conceitos básicos da Visão Computer
- Use o Python para implementar tarefas do Computer Vision
- Construa seus próprios sistemas de detecção de rosto, objeto e movimento

Público

- Programadores Python interessados em Visão Computer

Formato do curso

- Palestra parcial, parte discussão, exercícios e prática prática

Este treinamento ao vivo com instrutor introduz o software, o hardware e o processo passo a passo necessários para criar um sistema de reconhecimento facial do zero Reconhecimento Facial é também conhecido como Reconhecimento Facial O hardware usado neste laboratório inclui o Rasberry Pi, um módulo de câmera, servos (opcional), etc Os participantes são responsáveis ​​pela compra desses componentes O software usado inclui OpenCV, Linux, Python, etc No final deste treinamento, os participantes serão capazes de: Instale o Linux, OpenCV e outros utilitários de software e bibliotecas em um Rasberry Pi Configure o OpenCV para capturar e detectar imagens faciais Entenda as várias opções para empacotar um sistema Rasberry Pi para uso em ambientes reais Adaptar o sistema para uma variedade de casos de uso, incluindo vigilância, verificação de identidade, etc Público Desenvolvedores Técnicos de hardware / software Técnicos de todas as indústrias Hobbyists Formato do curso Palestra parcial, parte discussão, exercícios e prática handson pesada Nota Outras opções de hardware e software incluem: Arduino, OpenFace, Windows, etc Se você deseja usar qualquer um desses, entre em contato conosco para agendar .

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 é uma estrutura de código aberto - o que significa que é uma coleção de bibliotecas e softwares que você pode usar para desenvolver aplicativos de visão. Ele permite que você trabalhe com as imagens ou fluxos de vídeo provenientes de webcams, Kinects, câmeras FireWire e IP ou telefones celulares. Ele ajuda você a criar softwares para que suas várias tecnologias não apenas vejam o mundo, mas também o compreendam.

Público

Este curso é direcionado a engenheiros e desenvolvedores que buscam desenvolver aplicativos de visão computacional com o 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.

YOLO (You Only Look Once) is an algorithm turned into pre-trained models for object detection. It is tested by the Darknet neural network framework, making it ideal for developing computer vision features based on the COCO (Common Objects in Context) dataset. The latest variants of the YOLO framework, YOLOv3-v4, allows programs to efficiently execute object locating and classifying tasks while running in real-time.

This instructor-led, live training (online or onsite) is aimed at backend developers and data scientists who wish to incorporate pre-trained YOLO models into their enterprise-driven programs and implement cost-effective components for object-detection.

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

- Install and configure the necessary tools and libraries required in object detection using YOLO.
- Customize Python command-line applications that operate based on YOLO pre-trained models.
- Implement the framework of pre-trained YOLO models for various computer vision projects.
- Convert existing datasets for object detection into YOLO format.
- Understand the fundamental concepts of the YOLO algorithm for computer vision and/or deep learning.

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.