Computer Vision with SimpleCV Schulung
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.
Schulungsübersicht
Erste Schritte
- Installation
Tutorials und Beispiele
- SimpleCV-Shell
- SimpleCV-Grundlagen
- Das Programm Hello World
- Mit dem Display interagieren
- Ein Verzeichnis mit Bildern laden
- Makros
- Kinect
- Zeitmessung
- Erkennen eines Autos
- Segmentierung des Bildes und Morphologie
- Bild-Arithmetik
- Ausnahmen in der Bildmathematik
- Histogramme
- Farbraum
- Verwendung von Farbtonspitzen
- Erstellen eines Bewegungsunschärfe-Effekts
- Lange Belichtung simulieren
- Chroma Key (Grüner Bildschirm)
- Zeichnen auf Bildern in SimpleCV
- Ebenen
- Markieren des Bildes
- Text und Schriftarten
- Ein benutzerdefiniertes Anzeigeobjekt erstellen
Voraussetzungen
Kenntnisse in den folgenden Sprachen:
- Python
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.
Computer Vision with SimpleCV Schulung - Buchung
Computer Vision with SimpleCV Schulung - Anfrage
Computer Vision with SimpleCV - Beratungsanfrage
Erfahrungsberichte (2)
Trainer was very knowlegable and very open to feedback on what pace to go through the content and the topics we covered. I gained alot from the training and feel like I now have a good grasp of image manipulation and some techniques for building a good training set for an image classification problem.
Anthea King - WesCEF
Kurs - Computer Vision with Python
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Kurs - Computer Vision with OpenCV
Kommende Kurse
Kombinierte Kurse
OpenFace: Creating Facial Recognition Systems
14 StundenRaspberry Pi + OpenCV for Facial Recognition
21 StundenPattern Matching
14 StundenDie 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 .
Marvin Framework for Image and Video Processing
14 StundenMarvin 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.
Scilab
14 StundenScilab 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
PaddlePaddle
21 StundenFiji: Introduction to Scientific Image Processing
21 StundenComputer Vision with OpenCV
28 StundenOpenCV (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
Python and Deep Learning with OpenCV 4
14 StundenDiese 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.
Deep Learning for Vision with Caffe
21 StundenCaffe 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
Computer Vision with Python
14 StundenComputer 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
Deep Learning for Self Driving Cars
21 StundenDiese 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.