YOLOv7: Real-time Object Detection with Computer Vision Schulung

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

Publikum

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

Dieses instruierte Live-Training stellt den Software-, Hardware- und Step-by-Step-Prozess vor, der benötigt wird, um ein Gesichtserkennungssystem von Grund auf aufzubauen Gesichtserkennung ist auch als Gesichtserkennung bekannt Die in diesem Labor verwendete Hardware umfasst Rasberry Pi, ein Kameramodul, Servos (optional) usw Die Teilnehmer sind selbst für den Kauf dieser Komponenten verantwortlich Die verwendete Software beinhaltet OpenCV, Linux, Python, etc Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren Sie Linux, OpenCV und andere Software-Hilfsprogramme und Bibliotheken auf einem Rasberry Pi Konfigurieren Sie OpenCV zum Erfassen und Erkennen von Gesichtsbildern Verstehen Sie die verschiedenen Möglichkeiten, ein Rasberry Pi-System für den Einsatz in realen Umgebungen zu verpacken Passen Sie das System für eine Vielzahl von Anwendungsfällen an, einschließlich Überwachung, Identitätsüberprüfung usw Publikum Entwickler Hardware- / Software-Techniker Technische Personen in allen Branchen Hobbyisten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Andere Hardware- und Softwareoptionen umfassen: Arduino, OpenFace, Windows usw Wenn Sie eines dieser Produkte verwenden möchten, kontaktieren Sie uns bitte, um dies zu arrangieren .

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Software-Ingenieure, 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 anzeigen, laden und klassifizieren.
• Implementieren Sie Deep Learning in OpenCV 4 mit TensorFlow und Keras.
• Deep-Learning-Modelle ausführen und aussagekräftige Berichte aus Bildern und Videos erstellen.

Die Mustererkennung ist eine Technik, mit der bestimmte Muster in einem Bild gesucht werden. Es kann verwendet werden, um das Vorhandensein bestimmter Merkmale in einem erfassten Bild zu bestimmen, z. B. das erwartete Etikett auf einem fehlerhaften Produkt in einer Fertigungslinie oder die angegebenen Abmessungen eines Bauteils. Es unterscheidet sich von der " Pattern Recognition " (die allgemeine Muster erkennt, die auf größeren Sammlungen verwandter Muster basieren) darin, dass es genau festlegt, wonach wir suchen, und uns dann mitteilt, 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 Pattern Matching für Machine Vision .

SimpleCV ist ein Open-Source-Framework. Dies bedeutet, dass es sich um eine Sammlung von Bibliotheken und Software handelt, mit denen Sie Vision-Anwendungen entwickeln können. Damit können Sie mit Bildern oder Videostreams arbeiten, die von Webcams, Kinects, FireWire- und IP-Kameras oder Mobiltelefonen stammen. Es hilft Ihnen beim Erstellen von Software, damit Ihre verschiedenen Technologien die Welt nicht nur sehen, sondern auch verstehen.

Publikum

Dieser Kurs richtet sich an Ingenieure und Entwickler, die Computer Vision-Anwendungen mit SimpleCV entwickeln möchten.

Caffe ist ein umfassendes Lernframework, das Ausdruck, Geschwindigkeit und Modularität berücksichtigt.

In diesem Kurs wird die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung am Beispiel von MNIST erläutert

Publikum

Dieser Kurs eignet sich für Deep Learning Forscher und Ingenieure, die Caffe als Framework nutzen Caffe .

Nach Abschluss dieses Kurses haben die Teilnehmer folgende Möglichkeiten:

• die Struktur und die Bereitstellungsmechanismen von Caffe verstehen
• Installation / Produktionsumgebung / Architektur Aufgaben und Konfiguration durchführen
• Codequalität beurteilen, Debugging und Überwachung durchführen
• Implementieren Sie fortschrittliche Produktionsmethoden wie Schulungsmodelle, Implementieren von Ebenen und Protokollierung

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.

Computer Vision ist ein Bereich, in dem nützliche Informationen aus digitalen Medien automatisch extrahiert, analysiert und verstanden werden. Python ist eine High-Level-Programmiersprache, die für ihre klare Syntax und Codelesbarkeit bekannt ist.

In diesem von Lehrern geführten Live-Training lernen die Teilnehmer die Grundlagen von Computer Vision kennen, während sie mit Python Reihe einfacher Computer Vision-Anwendungen erstellen.

Am Ende dieser Schulung können die Teilnehmer:

• Grundlegendes zu Computer Vision
• Verwenden Sie Python , um Computer Vision-Aufgaben zu implementieren
• Erstellen Sie eigene Systeme zur Gesichts-, Objekt- und Bewegungserkennung

Publikum

• Python Programmierer, die sich für Computer Vision interessieren

Format des Kurses

• Teilvorlesung, Teildiskussion, Übungen und viel praktisches Üben

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die ein selbstfahrendes Auto mit Hilfe von Deep-Learning-Techniken entwickeln möchten.

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

• Verwenden Sie Keras, um ein neuronales Faltungsnetzwerk zu erstellen und zu trainieren.
• In einem Projekt zum autonomen Fahren werden Computer-Vision-Techniken eingesetzt, um Fahrspuren zu identifizieren.
• Trainieren Sie ein Deep-Learning-Modell zur Unterscheidung von Verkehrszeichen.
• Simulieren Sie ein vollständig autonomes Auto.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die hardwarebeschleunigte Modelle zur Objekterkennung und -verfolgung für die Analyse von Streaming-Videodaten erstellen möchten.

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

• Installieren und konfigurieren Sie die erforderliche Entwicklungsumgebung, Software und Bibliotheken, um mit der Entwicklung zu beginnen.
• Erstellen, Trainieren und Bereitstellen von Deep-Learning-Modellen zur Analyse von Live-Videobildern.
• Identifizieren, verfolgen, segmentieren und prognostizieren Sie verschiedene Objekte innerhalb von Videobildern.
• Optimieren Sie Modelle zur Objekterkennung und -verfolgung.
• Einsatz einer intelligenten Videoanalyseanwendung (IVA).

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Backend-Entwickler und Datenwissenschaftler, die vortrainierte YOLO-Modelle in ihre unternehmensgesteuerten Programme einbinden und kostengünstige Komponenten zur Objekterkennung implementieren möchten.

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

• Installieren und konfigurieren Sie die notwendigen Tools und Bibliotheken, die für die Objekterkennung mit YOLO erforderlich sind.
• Anpassen von Python Kommandozeilen-Anwendungen, die auf der Grundlage von YOLO-trainierten Modellen arbeiten.
• Implementieren Sie das Framework der vortrainierten YOLO-Modelle für verschiedene Computer Vision Projekte.
• Bestehende Datensätze zur Objekterkennung in das YOLO-Format konvertieren.
• Verstehen der grundlegenden Konzepte des YOLO-Algorithmus für Computer Vision und/oder Deep Learning.

Dies ist eine fünftägige Einführung in Data Science und AI.

Der Kurs wird mit Beispielen und Übungen mit Python geliefert

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Marketer, die KI nutzen möchten, um ihre digitalen Marketingstrategien durch wertvolle Kundeneinblicke zu verbessern.

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

• Nutzen Sie KI-Software, um die Art und Weise zu verbessern, wie Marken mit Nutzern in Kontakt treten.
• Chatbots zur Optimierung des Nutzererlebnisses einsetzen.
• Steigern Sie die Produktivität und den Umsatz durch die Automatisierung von Aufgaben.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Manager und Führungskräfte, die die Grundlagen der künstlichen Intelligenz kennenlernen und KI-Projekte für ihr Unternehmen leiten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein, KI auf technischer Ebene zu verstehen und die Daten und Ressourcen ihrer Organisation strategisch zu nutzen, um KI-Projekte erfolgreich zu verwalten.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Roboter mit grundlegenden KI-Methoden programmieren und erstellen möchten.

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

• Einführung von Filtern (Kalman- und Partikelfilter), die es dem Roboter ermöglichen, sich bewegende Objekte in seiner Umgebung zu lokalisieren.
• Suchalgorithmen und Bewegungsplanung implementieren.
• Implementieren Sie PID-Steuerungen, um die Bewegung eines Roboters innerhalb einer Umgebung zu regulieren.
• Implementieren von SLAM-Algorithmen, die es einem Roboter ermöglichen, eine unbekannte Umgebung zu erfassen.