Computer Vision Schulungen in Erfurt

Dieses von einem Trainer geleitete Live-Training in Erfurt (online oder vor Ort) richtet sich an fortgeschrittene Ingenieure für Computer Vision, AI-Entwickler und IoT-Profi, die Computer-Vision-Modelle zur Echtzeitverarbeitung auf Edge-Geräten implementieren und optimieren möchten.

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

• Grundlagen von Edge AI und ihre Anwendungen in der Computer Vision zu verstehen.
• Optimierte Deep-Learning-Modelle auf Edge-Geräten für Echtzeitanalyse von Bildern und Videos einzurichten.
• Frameworks wie TensorFlow Lite, OpenVINO und NVIDIA Jetson SDK zur Moduldeployment zu verwenden.
• AI-Modelle auf Leistung, Energieeffizienz und niedrige Latenz zu optimieren.

Diese von einem Trainer durchgeführte Live-Ausbildung in Erfurt (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis für Computer Vision vertiefen und die Fähigkeiten von TensorFlow nutzen möchten, um mit Google Colab fortgeschrittene Sehmodelle zu entwickeln.

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

• Convolutional Neural Networks (CNNs) unter Verwendung von TensorFlow aufzubauen und zu trainieren.
• Google Colab für skalierbare und effiziente Cloud-basierte Modellentwicklung auszunutzen.
• Bildvorbereitungstechniken für Computer-Vision-Aufgaben umsetzen.
• Computer-Vision-Modelle für reale Anwendungen einsetzen.
• Transfer Learning verwenden, um die Leistung von CNN-Modellen zu verbessern.
• Ergebnisse von Bildklassifikationsmodellen visualisieren und interpretieren.

Die CANN SDK (Compute-Architektur für Neural Networks) bietet leistungsstarke Bereitstellungstools und Optimierungsmethoden für Echtzeitanwendungen im Bereich der KI, insbesondere in der Computer Vision und dem NLP, vor allem auf Huawei Ascend-Hardware.

Diese von einem Trainer geleitete Live-Ausbildung (online oder vor Ort) richtet sich an fortgeschrittene AI-Praktiker, die Modelle für Bildverarbeitung und Sprachverarbeitung mit der CANN SDK zur Produktionsnutzung bereitstellen und optimieren möchten.

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

• CV- und NLP-Modelle mit CANN und AscendCL bereitzustellen und zu optimieren.
• CANN-Tools zur Modellkonvertierung und -integration in lebende Pipelines zu nutzen.
• Rückschlüsseleistung für Aufgaben wie Erkennung, Klassifizierung und Sentimentanalyse zu optimieren.
• Echtzeit-CV/NLP-Pipelines für die Bereitstellung an der Edge oder im Cloud-Szenario aufzubauen.

Format der Ausbildung

• Interaktive Vorlesung und Demonstration.
• Praxisübungen zur Modellbereitstellung und Leistungsbewertung.
• Live-Pipeline-Design unter Verwendung realer CV- und NLP-Anwendungsbeispiele.

Anpassungsoptionen der Ausbildung

• Um eine angepasste Ausbildung für diesen Kurs zu beantragen, kontaktieren Sie uns bitte zur Absprache.

Diese Live-Schulung unter der Leitung eines Dozenten (online oder vor Ort) richtet sich an KI-Entwickler und Ingenieure für Computer Vision auf mittlerem Niveau, die robuste Visionssysteme für Anwendungen im Bereich des autonomen Fahrens entwickeln möchten.

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

• Die grundlegenden Konzepte der Computer Vision in autonomen Fahrzeugen zu verstehen.
• Algorithmen für Objekterkennung, Fahrspurmarkierungserkennung und semantische Segmentierung zu implementieren.
• Visionssysteme in andere Subsysteme autonomer Fahrzeuge zu integrieren.
• Deep-Learning-Techniken für fortgeschrittene Wahrnehmungsaufgaben anzuwenden.
• Die Leistung von Computer-Vision-Modellen in realen Szenarien zu bewerten.

Dieses von einem Trainer durchgeführte, live-Training in Erfurt (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.

Dieser von einem Lehrer geleitete Live-Trainingskurs in Erfurt (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.

Dieser von einem Trainer geleitete Live-Kurs in Erfurt (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 Trainer geleitete Live-Schulung in Erfurt (online oder vor Ort) richtet sich an mittlere bis fortgeschrittene Entwickler, Forscher und Datenwissenschaftler, die lernen möchten, wie man die Echtzeit-Objekterkennung mit YOLOv7 implementiert.

Am Ende dieser Schulung 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 trainieren und testen.
• YOLOv7 mit anderen Computer Vision Frameworks und Tools zu integrieren.
• Fehlerbehebung bei allgemeinen Problemen im Zusammenhang mit der YOLOv7-Implementierung.

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

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.

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 Erfurt (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, 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:

• Die Grundlagen von Computer Vision verstehen
• Python verwenden, um Computer Vision-Aufgaben zu implementieren
• Eigene Systeme zur Gesichtserkennung, Objekterkennung und Bewegungserkennung erstellen

Publikum

• Python-Programmierer mit Interesse an Computer Vision

Format des Kurses

• Eine Mischung aus Vorträgen, Diskussionen, Übungen und intensiver praktischer 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.

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.