Hardware-Accelerated Video Analytics Schulung

Diese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Systemadministratoren und IT-Experten, die CUDA-Umgebungen installieren, konfigurieren, verwalten und Fehler beheben möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• die Architektur, die Komponenten und die Fähigkeiten von CUDA zu verstehen.
• CUDA Umgebungen zu installieren und zu konfigurieren.
• CUDA-Ressourcen zu verwalten und zu optimieren.
• Häufige CUDA Probleme zu debuggen und zu beheben.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die CUDA verwenden möchten, um Python Anwendungen zu erstellen, die parallel auf NVIDIA-GPUs laufen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Verwenden Sie den Numba-Compiler zur Beschleunigung Python von Anwendungen, die auf NVIDIA-GPUs laufen.
• Erstellen, Kompilieren und Starten von benutzerdefinierten CUDA-Kernels.
• Verwaltung des GPU-Speichers.
• Konvertieren Sie eine CPU-basierte Anwendung in eine GPU-beschleunigte Anwendung.

Diese von einem Ausbilder geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Einsteiger in der Strafverfolgung, die von der manuellen Gesichtsskizze zur Verwendung von KI-Tools für die Entwicklung von Gesichtserkennungssystemen übergehen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Grundlagen der Künstlichen Intelligenz verstehen und Machine Learning.
• die Grundlagen der digitalen Bildverarbeitung und ihre Anwendung in der Gesichtserkennung kennen.
• Fähigkeiten im Umgang mit KI-Tools und Frameworks zur Erstellung von Gesichtserkennungsmodellen entwickeln.
• Praktische Erfahrung im Erstellen, Trainieren und Testen von Gesichtserkennungssystemen sammeln.
• Verstehen ethischer Überlegungen und bewährter Praktiken bei der Verwendung von Gesichtserkennungstechnologie.

OpenFace ist eine auf Python und Torch basierende Open-Source-Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google beruht.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie die Komponenten von OpenFace verwenden, um eine Beispielanwendung für die Gesichtserkennung zu erstellen und einzusetzen.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• mit den OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, zu arbeiten, um Gesichtserkennung, -ausrichtung und -transformation zu implementieren
• OpenFace auf reale Anwendungen wie Überwachung, Identitätsüberprüfung, virtuelle Realität, Spiele, Identifizierung von Stammkunden usw. anzuwenden.

Zielgruppe

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und intensive praktische Anwendung

Diese Live-Schulung mit Trainer führt in die Software, die Hardware und den schrittweisen Prozess ein, der erforderlich ist, um ein Gesichtserkennungssystem von Grund auf aufzubauen. Gesichtserkennung ist auch bekannt als Face Recognition.

Die in diesem Kurs verwendete Hardware umfasst einen Rasberry Pi, ein Kameramodul, Servos (optional), etc. Die Teilnehmer sind für die Beschaffung dieser Komponenten selbst verantwortlich. Die verwendete Software umfasst OpenCV, Linux, Python, etc.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Linux, OpenCV und andere Softwareprogramme und Bibliotheken auf einem Rasberry Pi zu installieren.
• OpenCV für die Erfassung und Erkennung von Gesichtsbildern zu konfigurieren.
• die verschiedenen Optionen für die Verpackung eines Rasberry Pi Systems für den Einsatz in realen Umgebungen zu verstehen.
• Anpassung des Systems für eine Vielzahl von Anwendungsfällen, einschließlich Überwachung, Identitätsüberprüfung, etc.

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Hinweis

• Andere Hardware- und Softwareoptionen sind: Arduino, OpenFace, Windows, usw. Wenn Sie eine dieser Optionen nutzen möchten, kontaktieren Sie uns bitte, um dies zu arrangieren.

Fiji ist ein Open-Source-Bildverarbeitungspaket, das ImageJ (ein Bildverarbeitungsprogramm für wissenschaftliche mehrdimensionale Bilder) und eine Reihe von Plugins für die wissenschaftliche Bildanalyse bündelt.

In dieser von einem Kursleiter geleiteten Live-Schulung lernen die Teilnehmer, wie sie die Fiji-Distribution und das ihr zugrunde liegende Programm ImageJ verwenden, um eine Bildanalyseanwendung zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• die fortgeschrittenen Programmierfunktionen und Softwarekomponenten von Fiji zu nutzen, um ImageJ zu erweitern
• große 3D-Bilder aus sich überlappenden Kacheln zusammenzusetzen
• eine Fiji-Installation beim Start mit Hilfe des integrierten Update-Systems automatisch zu aktualisieren
• Wählen Sie aus einer großen Auswahl an Skriptsprachen, um eigene Bildanalyselösungen zu erstellen
• Nutzung der leistungsstarken Bibliotheken von Fiji, wie z. B. ImgLib, für große Biobilddatensätze
• Ihre Anwendung einsetzen und mit anderen Wissenschaftlern an ähnlichen Projekten zusammenarbeiten

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Viele Übungen und Praxis.
• Praktische Umsetzung in einer Live-Laborumgebung.

Optionen zur Kursanpassung

• Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.

Marvin ist ein erweiterbares, plattformübergreifendes Open-Source-Framework für die Bild- und Videoverarbeitung, das in Java entwickelt wurde. Entwickler können mit Marvin Bilder manipulieren, Merkmale aus Bildern für Klassifizierungsaufgaben extrahieren, Zahlen algorithmisch generieren, Videodateidatensätze verarbeiten und die Automatisierung von Komponententests einrichten.

Einige der Marvin von Marvin umfassen Filterung, Augmented Reality, Objektverfolgung und Bewegungserkennung.

In diesem von Lehrern geleiteten Live-Kurs lernen die Teilnehmer die Prinzipien der Bild- und Videoanalyse und verwenden das Marvin Framework und seine Bildverarbeitungsalgorithmen, um ihre eigene Anwendung zu erstellen.

Format des Kurses

• Zunächst werden die Grundprinzipien der Bildanalyse, Videoanalyse und des Marvin Frameworks vorgestellt. Die Studierenden erhalten projektbezogene Aufgaben, mit denen sie die erlernten Konzepte üben können. Am Ende des Kurses haben die Teilnehmer ihre eigene Anwendung unter Verwendung des Marvin Frameworks und der Bibliotheken entwickelt.

PaddlePaddle (PArallel Distributed Deep LEarning) ist eine skalierbare Deep-Learning-Plattform, die von Baidu entwickelt wurde.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie PaddlePaddle nutzen können, um Deep Learning in ihren Produkt- und Serviceanwendungen zu ermöglichen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Einrichten und Konfigurieren von PaddlePaddle
• ein Convolutional Neural Network (CNN) für die Bilderkennung und Objekterkennung einzurichten
• Ein rekurrentes neuronales Netzwerk (RNN) für die Stimmungsanalyse einrichten
• Einrichten von Deep Learning für Empfehlungssysteme, um Nutzern bei der Suche nach Antworten zu helfen
• Vorhersage von Click-Through-Rates (CTR), Klassifizierung großer Bildmengen, optische Zeichenerkennung (OCR), Ranking von Suchanfragen, Erkennung von Computerviren und Implementierung eines Empfehlungssystems.

Zielgruppe

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Pattern Matching ist eine Technik zur Lokalisierung bestimmter Muster in einem Bild. Sie kann verwendet werden, um das Vorhandensein bestimmter Merkmale in einem aufgenommenen Bild zu bestimmen, z. B. das erwartete Etikett auf einem fehlerhaften Produkt in einer Fertigungsstraße oder die bestimmten Abmessungen eines Bauteils. Es unterscheidet sich von "Pattern Recognition" (das allgemeine Muster auf der Grundlage größerer Sammlungen verwandter Muster erkennt) dadurch, dass es spezifisch vorgibt, wonach wir suchen, und uns dann sagt, ob das erwartete Muster vorhanden ist oder nicht.

Format des Kurses

• Dieser Kurs führt in die Ansätze, Technologien und Algorithmen ein, die im Bereich des Musterabgleichs verwendet werden, wie er für Machine Vision gilt.

Scilab ist eine gut entwickelte, kostenlose und quelloffene Hochsprache für die wissenschaftliche Datenbearbeitung. Die zentrale Datenstruktur wird für Statistiken, Grafiken und Animationen, Simulationen, Signalverarbeitung, Physik, Optimierung usw. verwendet und vereinfacht viele Arten von Problemen im Vergleich zu Alternativen wie FORTRAN und C-Derivaten. Es ist mit Sprachen wie C, Java und Python kompatibel und eignet sich daher als Ergänzung zu vorhandenen Systemen.

In dieser von Lehrern geleiteten Schulung lernen die Teilnehmer die Vorteile von Scilab Vergleich zu Alternativen wie Matlab, die Grundlagen der Scilab Syntax sowie einige erweiterte Funktionen kennen und können je nach Bedarf auf andere weit verbreitete Sprachen zugreifen. Der Kurs wird mit einem kurzen Projekt zum Thema Bildverarbeitung abgeschlossen.

Am Ende dieser Schulung erhalten die Teilnehmer einen Einblick in die Grundfunktionen und einige fortgeschrittene Funktionen von Scilab und verfügen über die Ressourcen, um ihr Wissen weiter auszubauen.

Publikum

• Datenwissenschaftler und Ingenieure, insbesondere mit Interesse an Bildverarbeitung und Gesichtserkennung

Format des Kurses

• Teilvorlesung, Teildiskussion, Übungen und intensives Üben mit Abschlussprojekt

OpenCV (Open Source Computer Vision Library: http://opencv.org) ist eine Open-Source BSD-lizenzierte Bibliothek, die mehrere hundert Computer-Vision-Algorithmen enthält.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure und Architekten, die OpenCV für Computer-Vision-Projekte nutzen möchten

Diese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Softwareingenieure, die in Python mit OpenCV 4 für Deep Learning programmieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Bilder und Videos mit OpenCV 4 betrachten, laden und klassifizieren.
• Deep Learning in OpenCV 4 mit TensorFlow und Keras zu implementieren.
• Deep-Learning-Modelle auszuführen und aussagekräftige Berichte aus Bildern und Videos zu erstellen.

Diese von einem Dozenten geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-zu-Bild-Erzeugung erweitern möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-Bild-Erzeugung zu verstehen.
• Komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese zu implementieren.
• Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle zu optimieren.
• Abstimmung von Hyperparametern für bessere Modellleistung und Generalisierung.
• Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools