Computer Vision Training in Αθήνα

Αυτή η ζωντανή εκπαίδευση στο Αθήνα (διαδικτυακή ή επιτόπου) από εκπαιδευτές απευθύνεται σε μηχανικούς όρασης υπολογιστών μεσαίου έως προχωρημένου επιπέδου, προγραμματιστές τεχνητής νοημοσύνης και επαγγελματίες του IoT που επιθυμούν να εφαρμόσουν και να βελτιστοποιήσουν μοντέλα όρασης υπολογιστή για επεξεργασία σε πραγματικό χρόνο σε συσκευές αιχμής. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε τις βασικές αρχές του Edge AI και τις εφαρμογές του στην όραση υπολογιστών.
• Αναπτύξτε βελτιστοποιημένα μοντέλα βαθιάς εκμάθησης σε συσκευές άκρων για ανάλυση εικόνας και βίντεο σε πραγματικό χρόνο.
• Χρησιμοποιήστε πλαίσια όπως TensorFlow Lite, OpenVINO και NVIDIA Jetson SDK για ανάπτυξη μοντέλου.
• Βελτιστοποιήστε μοντέλα τεχνητής νοημοσύνης για απόδοση, απόδοση ισχύος και συμπεράσματα χαμηλής καθυστέρησης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Αθήνα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εμβαθύνουν την κατανόησή τους για την όραση υπολογιστή και να εξερευνήσουν τις δυνατότητες του TensorFlow για την ανάπτυξη εξελιγμένων μοντέλων όρασης χρησιμοποιώντας Google Colab. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Δημιουργήστε και εκπαιδεύστε συνελικτικά νευρωνικά δίκτυα (CNN) χρησιμοποιώντας το TensorFlow.
• Αξιοποιήστε το Google Colab για επεκτάσιμη και αποτελεσματική ανάπτυξη μοντέλων βάσει cloud.
• Εφαρμογή τεχνικών προεπεξεργασίας εικόνας για εργασίες όρασης υπολογιστή.
• Αναπτύξτε μοντέλα όρασης υπολογιστή για εφαρμογές πραγματικού κόσμου.
• Χρησιμοποιήστε την εκμάθηση μεταφοράς για να βελτιώσετε την απόδοση των μοντέλων CNN.
• Οπτικοποιήστε και ερμηνεύστε τα αποτελέσματα των μοντέλων ταξινόμησης εικόνων.

Αυτή η εκπαίδευση με καθοδηγητή, είτε διαδικτυακή είτε δια ζώσης, απευθύνεται σε προγραμματιστές Τεχνητής Νοημοσύνης και μηχανικούς όρασης υπολογιστών μεσαίου επιπέδου που επιθυμούν να δημιουργήσουν ανθεκτικά συστήματα όρασης για εφαρμογές αυτόνομης οδήγησης.Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήσουν τις θεμελιώδεις έννοιες της όρασης υπολογιστών στα αυτόνομα οχήματα.
• Εφαρμόσουν αλγορίθμους για ανίχνευση αντικειμένων, ανίχνευση λωρίδων και σημασιολογική τμηματοποίηση.
• Ενσωματώσουν συστήματα όρασης με άλλα υποσυστήματα αυτόνομων οχημάτων.
• Εφαρμόσουν τεχνικές βαθιάς μάθησης για προηγμένες εργασίες αντίληψης.
• Αξιολογήσουν την απόδοση των μοντέλων όρασης υπολογιστών σε πραγματικά σενάρια.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Αθήνα (διαδικτυακά ή επιτόπου) απευθύνεται σε αρχάριους αρχάριους σε προσωπικό επιβολής του νόμου που επιθυμούν να μεταβούν από το χειροκίνητο σκίτσο του προσώπου στη χρήση εργαλείων AI για την ανάπτυξη συστημάτων αναγνώρισης προσώπου. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε τις βασικές αρχές της Τεχνητής Νοημοσύνης και Machine Learning.
• Μάθετε τα βασικά της ψηφιακής επεξεργασίας εικόνας και την εφαρμογή της στην αναγνώριση προσώπου.
• Αναπτύξτε δεξιότητες στη χρήση εργαλείων και πλαισίων AI για τη δημιουργία μοντέλων αναγνώρισης προσώπου.
• Αποκτήστε πρακτική εμπειρία στη δημιουργία, εκπαίδευση και δοκιμή συστημάτων αναγνώρισης προσώπου.
• Κατανοήστε τους ηθικούς παράγοντες και τις βέλτιστες πρακτικές στη χρήση της τεχνολογίας αναγνώρισης προσώπου.

Αυτή η ζωντανή εκπαίδευση στο Αθήνα (διαδικτυακό ή επιτόπου) από εκπαιδευτές απευθύνεται σε αρχάριους έως μεσαίου επιπέδου ερευνητές και επαγγελματίες εργαστηρίου που επιθυμούν να επεξεργαστούν και να αναλύσουν εικόνες που σχετίζονται με ιστολογικούς ιστούς, κύτταρα αίματος, φύκια και άλλα βιολογικά δείγματα. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Περιηγηθείτε στη διεπαφή των Φίτζι και χρησιμοποιήστε τις βασικές λειτουργίες του ImageJ.
• Προεπεξεργασία και ενίσχυση επιστημονικών εικόνων για καλύτερη ανάλυση.
• Αναλύστε τις εικόνες ποσοτικά, συμπεριλαμβανομένης της μέτρησης κελιών και της μέτρησης της περιοχής.
• Αυτοματοποιήστε επαναλαμβανόμενες εργασίες χρησιμοποιώντας μακροεντολές και πρόσθετα.
• Προσαρμόστε τις ροές εργασίας για συγκεκριμένες ανάγκες ανάλυσης εικόνας στη βιολογική έρευνα.

Αυτή η εκπαιδευτική διαμορφωμένη εκπαίδευση σε Αθήνα (διαδικτύου ή επί τόπου) προσβάλλει επαγγελματίες μεταξύ κλίμακας οι οποίοι θέλουν να χρησιμοποιήσουν το Vision Builder AI για να σχεδιάσουν, εφαρμόσουν και βελτιώσουν αυτοματοποιημένα συστήματα ελέγχου για διαδικασίες SMT (Surface-Mount Technology).Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εγκαταστήσουν και ρυθμίσουν αυτοματοποιημένους ελέγχους χρησιμοποιώντας το Vision Builder AI.
• Αποκτήσουν και προεπεξεργάσουν υψηλότυπες εικόνες για ανάλυση.
• Εφαρμόσουν λογικές αποφάσεις για την εντοπιση παραδοχών και τη διαβεβαίωση της διαδικασίας.
• Δημιουργήσουν εκθέσεις ελέγχου και βελτιώσουν την απόδοση του συστήματος.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Αθήνα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές, ερευνητές και επιστήμονες δεδομένων μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να μάθουν πώς να εφαρμόζουν την ανίχνευση αντικειμένων σε πραγματικό χρόνο χρησιμοποιώντας το YOLOv7. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε τις θεμελιώδεις έννοιες της ανίχνευσης αντικειμένων.
• Εγκαταστήστε και διαμορφώστε το YOLOv7 για εργασίες ανίχνευσης αντικειμένων.
• Εκπαιδεύστε και δοκιμάστε προσαρμοσμένα μοντέλα ανίχνευσης αντικειμένων χρησιμοποιώντας το YOLOv7.
• Ενσωματώστε το YOLOv7 με άλλα πλαίσια και εργαλεία υπολογιστικής όρασης.
• Αντιμετωπίστε κοινά ζητήματα που σχετίζονται με την υλοποίηση του YOLOv7.

Caffe είναι ένα βαθύ πλαίσιο μάθησης που γίνεται με γνώμονα την έκφραση, την ταχύτητα και τη διαμόρφωση. Αυτό το μάθημα διερευνά την εφαρμογή του Caffe ως πλαισίου βαθιάς μάθησης για την αναγνώριση εικόνων χρησιμοποιώντας το MNIST ως παράδειγμα Κοινό Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν το Caffe ως πλαίσιο. Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του Caffe
• εκτελέστε εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να εφαρμόσουν προηγμένη παραγωγή όπως μοντέλα εκπαίδευσης, υλοποίηση στρώσεων και καταγραφή

Τα Fiji είναι ένα πακέτο επεξεργασίας εικόνας ανοιχτού κώδικα που συνδυάζει το ImageJ (πρόγραμμα επεξεργασίας εικόνας για επιστημονικές πολυδιάστατες εικόνες) και μια σειρά από πρόσθετα για επιστημονική ανάλυση εικόνας. Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τη διανομή των Φίτζι και το υποκείμενο πρόγραμμα ImageJ για να δημιουργήσουν μια εφαρμογή ανάλυσης εικόνας. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Χρησιμοποιήστε τις προηγμένες δυνατότητες προγραμματισμού και τα στοιχεία λογισμικού των Φίτζι για να επεκτείνετε το ImageJ
• Ράψτε μεγάλες τρισδιάστατες εικόνες από επικαλυπτόμενα πλακίδια
• Ενημερώστε αυτόματα μια εγκατάσταση των Φίτζι κατά την εκκίνηση χρησιμοποιώντας το ενσωματωμένο σύστημα ενημέρωσης
• Επιλέξτε από μια ευρεία επιλογή γλωσσών δέσμης ενεργειών για να δημιουργήσετε προσαρμοσμένες λύσεις ανάλυσης εικόνας
• Χρησιμοποιήστε τις ισχυρές βιβλιοθήκες των Φίτζι, όπως το ImgLib σε μεγάλα σύνολα δεδομένων βιοεικόνων
• Αναπτύξτε την εφαρμογή τους και συνεργαστείτε με άλλους επιστήμονες σε παρόμοια έργα

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πολλές ασκήσεις και εξάσκηση.
• Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

• Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

OpenCV (Open Source Computer Vision Library: http://opencv.org) είναι μια βιβλιοθήκη ανοιχτού κώδικα με άδεια χρήσης BSD που περιλαμβάνει αρκετές εκατοντάδες αλγόριθμους όρασης υπολογιστή. Ακροατήριο Αυτό το μάθημα απευθύνεται σε μηχανικούς και αρχιτέκτονες που επιθυμούν να χρησιμοποιήσουν το OpenCV για έργα όρασης υπολογιστών

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Αθήνα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν στο Python με OpenCV 4 για βαθιά μάθηση. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Προβολή, φόρτωση και ταξινόμηση εικόνων και βίντεο χρησιμοποιώντας το OpenCV 4.
• Εφαρμόστε τη βαθιά μάθηση στο OpenCV 4 με τα TensorFlow και Keras.
• Εκτελέστε μοντέλα βαθιάς εκμάθησης και δημιουργήστε εντυπωσιακές αναφορές από εικόνες και βίντεο.

Το OpenFace είναι Python και Torch λογισμικό αναγνώρισης προσώπου ανοιχτού κώδικα σε πραγματικό χρόνο που βασίζεται στην έρευνα FaceNet της Google. Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τα στοιχεία του OpenFace για να δημιουργήσουν και να αναπτύξουν ένα δείγμα εφαρμογής αναγνώρισης προσώπου. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εργαστείτε με τα στοιχεία του OpenFace, συμπεριλαμβανομένων των dlib, OpenVC, Torch και nn4 για την εφαρμογή ανίχνευσης προσώπου, ευθυγράμμισης και μετασχηματισμού
• Εφαρμόστε το OpenFace σε εφαρμογές πραγματικού κόσμου, όπως παρακολούθηση, επαλήθευση ταυτότητας, εικονική πραγματικότητα, παιχνίδια και αναγνώριση επαναλαμβανόμενων πελατών κ.λπ.

Ακροατήριο

• προγραμματιστές
• Επιστήμονες δεδομένων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Pattern Matching είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό καθορισμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης καθορισμένων χαρακτηριστικών σε μια καταγεγραμμένη εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια εργοστασιακή γραμμή ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Διαφέρει από το "Pattern Recognition" (το οποίο αναγνωρίζει γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι υπαγορεύει συγκεκριμένα αυτό που ψάχνουμε και, στη συνέχεια, μας λέει εάν το αναμενόμενο μοτίβο υπάρχει ή όχι. Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στον τομέα της αντιστοίχισης προτύπων όπως ισχύει για το Machine Vision.

Computer Vision είναι ένα πεδίο που περιλαμβάνει αυτόματη εξαγωγή, ανάλυση και κατανόηση χρήσιμων πληροφοριών από ψηφιακά μέσα. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου γνωστή για την σαφή σύνταξη και την αναγνωσιμότητα του κώδικα. Σε αυτόν τον εκπαιδευτή, ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία του Computer Vision καθώς περνούν μέσα από τη δημιουργία ενός συνόλου απλών εφαρμογών του Computer Vision χρησιμοποιώντας Python . Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Να κατανοήσουν τα βασικά του Computer Vision
• Να χρησιμοποιήσουν το Python για να υλοποιήσουν εργασίες Computer Vision
• Να δημιουργήσουν δικά τους συστήματα ανίχνευσης προσώπων, αντικειμένων και κίνησης

Κοινό

• Προγραμματιστές Python που ενδιαφέρονται για το Computer Vision

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και εκτενής πρακτική εξάσκηση

Αυτή η ζωντανή εκπαίδευση καθοδηγούμενη από εκπαιδευτές εισάγει το λογισμικό, το υλικό και τη διαδικασία βήμα προς βήμα που απαιτούνται για την κατασκευή ενός συστήματος αναγνώρισης προσώπου από την αρχή. Η αναγνώριση προσώπου είναι επίσης γνωστή ως Face Recognition. Το υλικό που χρησιμοποιείται σε αυτό το εργαστήριο περιλαμβάνει Rasberry Pi, μια μονάδα κάμερας, σερβομηχανισμούς (προαιρετικά) κ.λπ. Οι συμμετέχοντες είναι υπεύθυνοι για την αγορά αυτών των εξαρτημάτων οι ίδιοι. Το λογισμικό που χρησιμοποιείται περιλαμβάνει τα OpenCV, Linux, Python κ.λπ. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε τα Linux, OpenCV και άλλα βοηθητικά προγράμματα λογισμικού και βιβλιοθήκες σε ένα Rasberry Pi.
• Διαμόρφωση OpenCV για λήψη και ανίχνευση εικόνων προσώπου.
• Κατανοήστε τις διάφορες επιλογές για τη συσκευασία ενός συστήματος Rasberry Pi για χρήση σε περιβάλλοντα πραγματικού κόσμου.
• Προσαρμόστε το σύστημα για ποικίλες περιπτώσεις χρήσης, συμπεριλαμβανομένης της επιτήρησης, της επαλήθευσης ταυτότητας κ.λπ.

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σημείωμα

• Άλλες επιλογές υλικού και λογισμικού περιλαμβάνουν: Arduino, OpenFace, Windows, κ.λπ. Εάν θέλετε να χρησιμοποιήσετε κάποιο από αυτά, επικοινωνήστε μαζί μας για να κανονίσουμε.

Scilab είναι μια καλά ανεπτυγμένη, ελεύθερη και ανοιχτής πηγής γλώσσα υψηλού επιπέδου για χειρισμό επιστημονικών δεδομένων. Χρησιμοποιείται για στατιστικές, γραφικά και κινούμενα σχέδια, προσομοίωση, επεξεργασία σήματος, φυσική, βελτιστοποίηση και πολλά άλλα. Η κεντρική δομή δεδομένων της είναι η μήτρα, απλουστεύοντας πολλούς τύπους προβλημάτων σε σύγκριση με εναλλακτικές λύσεις όπως τα παράγωγα FORTRAN και C. Είναι συμβατό με γλώσσες όπως C, Java και Python , καθιστώντας το κατάλληλο για χρήση ως συμπλήρωμα στα υπάρχοντα συστήματα. Σε αυτή την εκπαιδευτική εκπαίδευση, οι συμμετέχοντες θα μάθουν τα πλεονεκτήματα του Scilab σε σύγκριση με εναλλακτικές λύσεις όπως το Matlab, τα βασικά της σύνταξης του Scilab καθώς και μερικές προηγμένες λειτουργίες και τη διασύνδεση με άλλες γλώσσες που χρησιμοποιούνται ευρέως ανάλογα με τη ζήτηση. Το μάθημα θα ολοκληρωθεί με ένα σύντομο έργο που εστιάζει στην επεξεργασία εικόνων. Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν μια κατανόηση των βασικών λειτουργιών και ορισμένων προηγμένων λειτουργιών της Scilab και θα έχουν τους πόρους για να συνεχίσουν να επεκτείνουν τις γνώσεις τους. Κοινό

• Επιστήμονες δεδομένων και μηχανικοί, ειδικά με ενδιαφέρον για την επεξεργασία εικόνας και την αναγνώριση προσώπου

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και εντατική πρακτική πρακτική, με τελικό σχέδιο

Το SimpleCV είναι ένα πλαίσιο ανοιχτού κώδικα — που σημαίνει ότι είναι μια συλλογή από βιβλιοθήκες και λογισμικό που μπορείτε να χρησιμοποιήσετε για την ανάπτυξη εφαρμογών όρασης. Σας επιτρέπει να εργάζεστε με τις εικόνες ή τις ροές βίντεο που προέρχονται από κάμερες web, Kinects, FireWire και κάμερες IP ή κινητά τηλέφωνα. Σας βοηθά να δημιουργήσετε λογισμικό για να κάνετε τις διάφορες τεχνολογίες σας όχι μόνο να δουν τον κόσμο, αλλά και να τον κατανοήσουν. Ακροατήριο Αυτό το μάθημα απευθύνεται σε μηχανικούς και προγραμματιστές που επιδιώκουν να αναπτύξουν εφαρμογές υπολογιστικής όρασης με το SimpleCV.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Αθήνα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές back-end και επιστήμονες δεδομένων που επιθυμούν να ενσωματώσουν προεκπαιδευμένα μοντέλα YOLO στα προγράμματα που καθοδηγούνται από την επιχείρηση και να εφαρμόσουν οικονομικά αποδοτικά στοιχεία για αντικείμενα ανίχνευση. Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε τα απαραίτητα εργαλεία και βιβλιοθήκες που απαιτούνται για την ανίχνευση αντικειμένων χρησιμοποιώντας το YOLO.
• Προσαρμόστε Python εφαρμογές γραμμής εντολών που λειτουργούν με βάση προεκπαιδευμένα μοντέλα YOLO.
• Εφαρμόστε το πλαίσιο προεκπαιδευμένων μοντέλων YOLO για διάφορα έργα υπολογιστικής όρασης.
• Μετατρέψτε τα υπάρχοντα σύνολα δεδομένων για ανίχνευση αντικειμένων σε μορφή YOLO.
• Κατανοήστε τις θεμελιώδεις έννοιες του αλγορίθμου YOLO για την όραση υπολογιστή και/ή τη βαθιά μάθηση.