Echtzeit-Objekterkennung mit YOLO Schulung

Caffe ist ein Deep-Learning-Framework, das auf Ausdrucksstärke, Geschwindigkeit und Modularität ausgelegt ist.

Dieser Kurs erforscht die Anwendung von Caffe als Deep-Learning-Framework für die Bilderkennung unter Verwendung von MNIST als Beispiel.

Zielgruppe

Dieser Kurs richtet sich an Deep-Learning-Forscher und -Ingenieure, die daran interessiert sind, Caffe als Framework zu nutzen.

Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein:

• die Struktur und Bereitstellungsmechanismen von Caffe zu verstehen
• Aufgaben zur Installation, Produktionsumgebung, Architektur und Konfiguration durchzuführen
• Kodierungskualität zu bewerten, Debugging und Monitoring durchzuführen
• fortgeschrittene Produktionsschritte wie das Training von Modellen, die Implementierung von Schichten und Logging umzusetzen

Dieses von einem Trainer durchgeführte, live-Training in Deutschland (online oder vor Ort) richtet sich an Einsteiger im Bereich der Polizeiarbeit, die den Übergang vom manuellen Gesichtszeichnen zur Nutzung von KI-Tools für das Entwicklung von Gesichtserkennungssystemen wünschen.

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

• Grundlagen der Künstlichen Intelligenz und Maschinelles Lernen zu verstehen.
• Die Grundlagen der digitalen Bildverarbeitung und deren Anwendung in der Gesichtserkennung zu erlernen.
• Fähigkeiten zur Nutzung von KI-Tools und Frameworks zur Erstellung von Gesichtserkennungsmodellen zu entwickeln.
• Praxiserfahrungen in der Entwicklung, Ausbildung und Testung von Gesichtserkennungssystemen zu sammeln.
• Ethische Überlegungen und Best Practices bei der Nutzung von Gesichtserkennungs-Technologien zu verstehen.

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.

Dieser von einem Lehrer geleitete Live-Trainingskurs in Deutschland (online oder vor Ort) richtet sich an Anfänger- bis Mittelstufe-Forscher und Labormitarbeiter, die Bilder zu histologischen Geweben, Blutzellen, Algen und anderen biologischen Proben verarbeiten und analysieren möchten.

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

• Die Fiji Oberfläche zu navigieren und Funktionen von ImageJ zu nutzen.
• Wissenschaftliche Bilder vorzubereiten und zu verbessern, um eine bessere Analyse zu ermöglichen.
• Bilddaten quantitativ zu analysieren, einschließlich Zellzählung und Flächenmessung.
• Wiederkehrende Aufgaben mit Makros und Plugins automatisieren.
• Workflows an die spezifischen Anforderungen der Bildanalyse in der biologischen Forschung anzupassen.

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 Deutschland (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.

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

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.

Computer Vision ist ein Bereich, der das automatische Extrahieren, Analysieren und Verstehen nützlicher Informationen aus digitalen Medien beinhaltet. Python ist eine hochwertige Programmiersprache, die für ihre klare Syntax und lesbare Code bekannt ist.

In diesem von einem Dozenten geführten Live-Training lernen die Teilnehmer die Grundlagen der Computer Vision, während sie eine Reihe einfacher Computer-Vision-Anwendungen mit Python erstellen.

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

• Die Grundlagen der Computer Vision zu verstehen
• Python zur Durchführung von Computer Vision-Aufgaben zu verwenden
• Eigene Gesichtserkennung, Objekterkennung und Bewegungsverfolgungssysteme aufzubauen

Zielgruppe

• Python-Programmierer, die sich für Computer Vision interessieren

Aufbau des Kurses

• Theorieteil, 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.

SimpleCV ist ein Open-Source-Framework, d. h. es handelt sich um eine Sammlung von Bibliotheken und Software, die Sie zur Entwicklung von Bildverarbeitungsanwendungen verwenden können. Damit können Sie mit Bildern oder Videoströmen arbeiten, die von Webcams, Kinects, FireWire- und IP-Kameras oder Mobiltelefonen stammen. Sie hilft Ihnen, Software zu entwickeln, mit der Ihre verschiedenen Technologien die Welt nicht nur sehen, sondern auch verstehen können.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure und Entwickler, die Bildverarbeitungsanwendungen mit SimpleCV entwickeln möchten.

Dieser von einem Trainer geleitete Live-Kurs in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Vision Builder AI zur Gestaltung, Implementierung und Optimierung automatisierter Inspektionsysteme für SMT-Prozesse (Surface-Mount Technology) einsetzen möchten.

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

• Automatische Inspektionen mit Vision Builder AI einzurichten und zu konfigurieren.
• Hochwertige Bilder für die Analyse aufzuzeichnen und vorzubereiten.
• Logikbasierte Entscheidungen zur Defektenerkennung und Prozessvalidierung umzusetzen.
• Inspektionsberichte zu erstellen und das Systemleistung zu optimieren.

Diese von einem Dozenten geleitete, Live-Training in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Forscher und Datenwissenschaftler, die lernen möchten, wie man Echtzeitobjekterkennung mit YOLOv7 implementiert.

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

• Die grundlegenden Konzepte der Objekterkennung zu verstehen.
• YOLOv7 für Objekterkennungsaufgaben zu installieren und zu konfigurieren.
• Benutzerdefinierte Objekterkennungsmodelle mit YOLOv7 zu trainieren und zu testen.
• YOLOv7 mit anderen Computer Vision Frameworks und Tools zu integrieren.
• Häufige Probleme bei der Implementierung von YOLOv7 zu beheben.