Cursos de Computer Vision with SimpleCV

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

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 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.

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.

PaddlePaddle (PArallel Distributed Deep LEarning) é uma plataforma de aprendizagem profunda escalável desenvolvida pela Baidu Neste treinamento ao vivo com instrutores, os participantes aprenderão como usar o PaddlePaddle para permitir o aprendizado profundo em seus aplicativos de produtos e serviços No final deste treinamento, os participantes serão capazes de: Configurar e configurar o PaddlePaddle Configurar uma rede neural por convolução (CNN) para reconhecimento de imagem e detecção de objetos Configurar uma Rede Neural Recorrente (RNN) para análise de sentimento Configure o aprendizado profundo em sistemas de recomendação para ajudar os usuários a encontrar respostas Prever taxas de cliques (CTR), classificar conjuntos de imagens em larga escala, realizar reconhecimento óptico de caracteres (OCR), classificar pesquisas, detectar vírus de computador e implementar um sistema de recomendação Público Desenvolvedores Cientistas de dados Formato do curso Palestra parcial, parte discussão, exercícios e prática handson 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.

O Scilab é uma linguagem de alto nível bem desenvolvida, livre e de código aberto para manipulação de dados científicos Usada para estatísticas, gráficos e animação, simulação, processamento de sinais, física, otimização e muito mais, sua estrutura de dados central é a matriz, simplificando muitos tipos de problemas em comparação com alternativas como FORTRAN e derivados de C Ele é compatível com linguagens como C, Java e Python, tornando-o adequado para uso como suplemento aos sistemas existentes Neste treinamento instructorled, os participantes aprenderão as vantagens do Scilab em comparação com alternativas como o Matlab, os princípios básicos da sintaxe do Scilab, bem como algumas funções avançadas e interface com outros idiomas amplamente utilizados, dependendo da demanda O curso terminará com um breve projeto focado no processamento de imagens No final deste treinamento, os participantes terão uma compreensão das funções básicas e algumas funções avançadas do Scilab, e terão os recursos para continuar expandindo seus conhecimentos Público Cientistas de dados e engenheiros, especialmente com interesse em processamento de imagem e reconhecimento facial Formato do curso Palestra parcial, parte discussão, exercícios e prática intensiva de handson, com um projeto final .

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 Brasil (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.

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

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a profissionais de nível avançado que desejam aprofundar sua compreensão da visão computacional e explorar os recursos do TensorFlow para desenvolver modelos de visão sofisticados usando o Go ogle Colab.

No final desta formação, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) usando TensorFlow.
• Aproveitar o Google Colab para o desenvolvimento de modelos escaláveis e eficientes baseados em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implementar modelos de visão computacional para aplicações no mundo real.
• Utilizar a aprendizagem por transferência para melhorar o desempenho dos modelos CNN.
• Visualizar e interpretar os resultados dos modelos de classificação de imagens.

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