Cursos de Visão Computacional em Brasília

Esta formação ao vivo e orientada por instrutor em Brasília (online ou presencial) é direcionada a engenheiros de visão computacional, desenvolvedores de IA e profissionais de IoT de nível intermediário a avançado que desejam implementar e otimizar modelos de visão computacional para processamento em tempo real em dispositivos de borda.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos da Edge AI e suas aplicações na visão computacional.
• Deployar modelos otimizados de aprendizado profundo em dispositivos de borda para análise de imagem e vídeo em tempo real.
• Usar frameworks como TensorFlow Lite, OpenVINO e NVIDIA Jetson SDK para deploy de modelos.
• Otimizar modelos de IA para desempenho, eficiência energética e inferência com baixa latência.

Esta formação presencial ou online em Brasília é direcionada a profissionais avançados que desejam aprofundar seu entendimento sobre visão computacional e explorar as capacidades do TensorFlow para desenvolver modelos de visão sofisticados usando o Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) utilizando o TensorFlow.
• Utilizar o Google Colab para desenvolvimento de modelos escaláveis e eficientes em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Deployar modelos de visão computacional para aplicações do mundo real.
• Utilizar transfer learning para melhorar o desempenho das CNNs.
• Visualizar e interpretar os resultados dos modelos de classificação de imagens.

O SDK CANN (Arquitetura de Computação para Neural Networks) fornece poderosas ferramentas de implantação e otimização para aplicações em tempo real de IA na visão computacional e NLP, especialmente no hardware Huawei Ascend.

Esta formação ao vivo (online ou presencial) ministrada por instrutor é direcionada a profissionais intermediários de IA que desejam construir, implantar e otimizar modelos de visão e linguagem usando o SDK CANN para casos de uso em produção.

Ao final desta formação, os participantes serão capazes de:

• Implantar e otimizar modelos CV e NLP utilizando CANN e AscendCL.
• Usar as ferramentas do SDK CANN para converter modelos e integrá-los em pipelines ao vivo.
• Otimizar o desempenho de inferência para tarefas como detecção, classificação e análise de sentimentos.
• Construir pipelines CV/NLP em tempo real para cenários de implantação na borda ou baseados na nuvem.

Formato do Curso

• Aula interativa e demonstração.
• Laboratório prático com implantação de modelos e perfilamento de desempenho.
• Design ao vivo de pipelines usando casos reais de CV e NLP.

Opções de Personalização do Curso

• Para solicitar uma formação personalizada para este curso, entre em contato conosco para agendar.

Este treinamento prático, ministrado por um instrutor, em Brasília (online ou presencial) é destinado a desenvolvedores de IA de nível intermediário e engenheiros de visão computacional que desejam construir sistemas de visão robustos para aplicações de direção autônoma.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de visão computacional em veículos autônomos.
• Implementar algoritmos para detecção de objetos, detecção de faixa e segmentação semântica.
• Integrar sistemas de visão com outros subsistemas de veículos autônomos.
• Aplicar técnicas de aprendizado profundo para tarefas avançadas de percepção.
• Avaliar o desempenho de modelos de visão computacional em cenários do mundo real.

Esta formação ao vivo e conduzida por instrutor em Brasília (online ou presencial) é destinada a profissionais de nível iniciante da força policial que desejam migrar do esboço manual facial para o uso de ferramentas de inteligência artificial na criação de sistemas de reconhecimento facial.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos de Inteligência Artificial e Aprendizado de Máquina.
• Conhecer as bases do processamento digital de imagens e sua aplicação no reconhecimento facial.
• Desenvolver habilidades no uso de ferramentas e frameworks de IA para criar modelos de reconhecimento facial.
• Obter experiência prática na criação, treinamento e teste de sistemas de reconhecimento facial.
• Compreender as considerações éticas e melhores práticas no uso da tecnologia de reconhecimento facial.

Esta formação presencial (online ou no local) é dirigida a pesquisadores e profissionais de laboratório de nível iniciante a intermediário que desejam processar e analisar imagens relacionadas a tecidos histológicos, células sanguíneas, algas e outros tipos de amostras biológicas.

Ao final desta formação, os participantes serão capazes de:

• Navegar na interface do Fiji e utilizar as funções principais do ImageJ.
• Pré-processar e melhorar imagens científicas para uma análise mais eficaz.
• Analisar imagens de forma quantitativa, incluindo contagem de células e medição de área.
• Automatizar tarefas repetitivas usando macros e plugins.
• Personalizar fluxos de trabalho para necessidades específicas de análise de imagens em pesquisa biológica.

Esta formação ao vivo, ministrada por um instrutor em Brasília (online ou presencial), é direcionada a profissionais de nível intermediário que desejam usar o Vision Builder AI para projetar, implementar e otimizar sistemas de inspeção automatizados para processos SMT (Surface-Mount Technology).

No final desta formação, os participantes serão capazes de:

• Configurar e configurar inspeções automatizadas usando o Vision Builder AI.
• Obter e pré-processar imagens de alta qualidade para análise.
• Implementar decisões baseadas em lógica para detecção de defeitos e validação do processo.
• Gerar relatórios de inspeção e otimizar o desempenho do sistema.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores, pesquisadores e cientistas de dados de nível intermediário a avançado que desejam aprender como implementar a deteção de objetos em tempo real usando o YOLOv7.

No final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais da deteção de objetos.
• Instalar e configurar o YOLOv7 para tarefas de deteção de objetos.
• Treinar e testar modelos personalizados de deteção de objetos usando o YOLOv7.
• Integrar o YOLOv7 com outros frameworks e ferramentas de visão computacional.
• Resolver problemas comuns relacionados com a implementação do YOLOv7.

Caffe é uma estrutura de aprendizagem profunda feita com expressão, velocidade e modularidade em mente.

Este curso explora a aplicação do Caffe como uma estrutura de aprendizagem profunda para o reconhecimento de imagens usando o MNIST como um exemplo

Público

Este curso é adequado para pesquisadores e engenheiros do Deep Learning interessados em utilizar o Caffe como um framework.

Depois de concluir este curso, os delegados poderão:

• entender a estrutura e os mecanismos de implantação do Caffe
• realizar tarefas de instalação / ambiente de produção / arquitetura e configuração
• avaliar a qualidade do código, executar a depuração, monitoramento
• implementar produção avançada como modelos de treinamento, implementação de camadas e registro

O Fiji é um pacote de processamento de imagens de código aberto que agrupa o ImageJ (um programa de processamento de imagens para imagens multidimensionais científicas) e vários plugins para análise de imagens científicas.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar a distribuição Fiji e seu programa ImageJ subjacente para criar um aplicativo de análise de imagem.

Ao final deste treinamento, os participantes serão capazes de:

• Usar os recursos avançados de programação e os componentes de software do Fiji para estender o ImageJ
• costurar grandes imagens 3d a partir de telhas sobrepostas
• Atualizar automaticamente uma instalação do Fiji na inicialização usando o sistema de atualização integrado
• Selecionar de entre uma vasta seleção de linguagens de scripting para criar soluções de análise de imagem personalizadas
• Utilizar as poderosas bibliotecas do Fiji, como a ImgLib, em grandes conjuntos de dados de bioimagens
• Implementar a sua aplicação e colaborar com outros cientistas em projectos semelhantes

Formato do curso

• Palestra interactiva e discussão.
• Muitos exercícios e prática.
• Implementação prática num ambiente de laboratório ao vivo.

Opções de personalização do curso

• Para solicitar uma formação personalizada para este curso, por favor contacte-nos para combinar.

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

Público alvo

Este curso destina-se a engenheiros e arquitectos que pretendam utilizar OpenCV em projectos de visão por computador

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com OpenCV 4 para aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Visualizar, carregar e classificar imagens e vídeos usando OpenCV 4.
• Implementar o aprendizado profundo em OpenCV 4 com TensorFlow e Keras.
• Execute modelos de aprendizado profundo e gere relatórios impactantes a partir de imagens e vídeos.

O OpenFace é um software de reconhecimento facial em tempo real, de código aberto, baseado na pesquisa FaceNet da Google.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra.

No final deste treinamento, os participantes serão capazes de:

• Trabalhar com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4 para implementar a deteção, o alinhamento e a transformação de faces
• Aplicar o OpenFace a aplicativos do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc.

Público-alvo

• Programadores
• Cientistas de dados

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Pattern Matching é uma técnica utilizada para localizar padrões específicos numa imagem. Pode ser utilizada para determinar a existência de caraterísticas específicas numa imagem capturada, por exemplo, a etiqueta esperada num produto defeituoso numa linha de produção ou as dimensões especificadas de um componente. É diferente de "Pattern Recognition" (que reconhece padrões gerais com base em colecções maiores de amostras relacionadas) na medida em que dita especificamente o que estamos à procura e depois diz-nos se o padrão esperado existe ou não.

Formato do curso

• Este curso apresenta as abordagens, tecnologias e algoritmos utilizados no campo da correspondência de padrões, uma vez que se aplica a 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:

• Compreender os fundamentos de Computer Vision
• Utilizar Python para implementar tarefas de Computer Vision
• Construir seus próprios sistemas de detecção de rosto, objeto e movimento

Público

• Programadores Python interessados em Computer Vision

Formato do curso

• Parte palestra, parte discussão, exercícios e muita prática hands-on

Este treinamento ao vivo, conduzido por instrutor, apresenta o software, o hardware e o processo passo a passo necessário para construir um sistema de reconhecimento facial a partir do zero. O reconhecimento facial também é conhecido como Face Recognition.

O hardware utilizado neste laboratório inclui Rasberry Pi, um módulo de câmara, servos (opcional), etc. Os participantes são responsáveis pela aquisição destes componentes. O software utilizado inclui OpenCV, Linux, Python, etc.

No final desta formação, os participantes serão capazes de:

• Instalar Linux, OpenCV e outros utilitários e bibliotecas de software num Rasberry Pi.
• Configurar OpenCV para capturar e detetar imagens faciais.
• Compreender as várias opções para empacotar um sistema Rasberry Pi para uso em ambientes do mundo real.
• Adaptar o sistema para uma variedade de casos de uso, incluindo vigilância, verificação de identidade, etc.

Formato do curso

• Parte expositiva, parte de discussão, exercícios e muita prática prática

Nota

• Outras opções de hardware e software incluem: Arduino, OpenFace, Windows, etc. Se pretender utilizar qualquer uma destas opções, contacte-nos para combinarmos.

O SimpleCV é uma estrutura de código aberto, o que significa que é uma coleção de bibliotecas e software que pode utilizar para desenvolver aplicações de visão. Permite-lhe trabalhar com imagens ou fluxos de vídeo provenientes de webcams, Kinects, câmaras FireWire e IP, ou telemóveis. Ajuda-o a criar software para que as suas várias tecnologias não só vejam o mundo, mas também o compreendam.

Público

Este curso é dirigido a engenheiros e programadores que procuram desenvolver aplicações de visão computacional com o SimpleCV.

Este treinamento ao vivo conduzido por instrutor em Brasília (no local ou remoto) é destinado a desenvolvedores de back-end e cientistas de dados que desejam incorporar modelos YOLO pré-treinados em seus programas orientados para a empresa e implementar componentes econômicos para deteção de objetos.

No final desta formação, os participantes serão capazes de

• Instalar e configurar as ferramentas e bibliotecas necessárias para a deteção de objetos usando YOLO.
• Customizar Python aplicações de linha de comando que operam com base nos modelos pré-treinados do YOLO.
• Implementar a estrutura de modelos YOLO pré-treinados para vários projetos de visão computacional.
• Converter conjuntos de dados existentes para deteção de objetos no formato YOLO.
• Compreender os conceitos fundamentais do algoritmo YOLO para visão computacional e/ou aprendizagem profunda.