Cursuri de pregatire Hardware-Accelerated Video Analytics

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează administratorilor de sistem și profesioniștilor IT începători care doresc să instaleze, să configureze, să gestioneze și să depaneze mediile CUDA.

La sfârșitul acestui curs de formare, participanții vor putea să:

• Să înțeleagă arhitectura, componentele și capacitățile CUDA.
• Să instaleze și să configureze mediile CUDA.
• Să gestioneze și să optimizeze resursele CUDA.
• să depaneze și să rezolve problemele comune CUDA.

Acest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor care doresc să utilizeze CUDA pentru a construi Python aplicații care rulează în paralel pe GPU-urile NVIDIA.

La sfârșitul acestui curs de formare, participanții vor fi capabili să:

• Utilizați compilatorul Numba pentru a accelera Python aplicațiile care rulează pe GPU-urile NVIDIA.
.
• Creați, compilați și lansați nuclee CUDA personalizate.
.
• Gestionați memoria GPU.
.
• Convertiți o aplicație bazată pe CPU într-o aplicație accelerată de GPU.
.

Acest curs de formare live, condus de un instructor în Moldova (online sau la fața locului) se adresează personalului de aplicare a legii de nivel începător care dorește să treacă de la schițarea manuală a feței la utilizarea instrumentelor AI pentru dezvoltarea sistemelor de recunoaștere facială.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă elementele fundamentale ale inteligenței artificiale și Machine Learning.
• Să învețe elementele de bază ale procesării imaginii digitale și aplicarea acesteia în recunoașterea facială.
• Să dezvolte abilități în utilizarea instrumentelor și cadrelor AI pentru a crea modele de recunoaștere facială.
• Să dobândească experiență practică în crearea, instruirea și testarea sistemelor de recunoaștere facială.
• Înțelegerea considerentelor etice și a celor mai bune practici în utilizarea tehnologiei de recunoaștere facială.

OpenFace este Python și Torch un software de recunoaștere facială în timp real, open-source, bazat pe cercetarea FaceNet a Google.

În cadrul acestei formări live cu instructor, participanții vor învăța cum să utilizeze componentele OpenFace pentru a crea și implementa un exemplu de aplicație de recunoaștere facială.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să lucreze cu componentele OpenFace, inclusiv dlib, OpenVC, Torch, și nn4 pentru a implementa detectarea, alinierea și transformarea feței
• Să aplice OpenFace în aplicații din lumea reală, cum ar fi supravegherea, verificarea identității, realitatea virtuală, jocurile și identificarea clienților fideli etc.

Audiență

• Dezvoltatori
• Oameni de știință în domeniul datelor

Formatul cursului

• Parte prelegere, parte discuție, exerciții și multă practică

Această instruire live, susținută de un instructor, prezintă software-ul, hardware-ul și procesul pas cu pas necesar pentru a construi un sistem de recunoaștere facială de la zero. Recunoașterea facială este cunoscută și ca Face Recognition.

Hardware-ul utilizat în acest laborator include Rasberry Pi, un modul de cameră, servomotoare (opțional), etc. Participanții sunt responsabili pentru achiziționarea acestor componente ei înșiși. Software-ul utilizat include OpenCV, Linux, Python, etc.

La sfârșitul acestui curs, participanții vor fi capabili să:

• Să instaleze Linux, OpenCV și alte utilitare și biblioteci software pe un Rasberry Pi.
• Să configureze OpenCV pentru a capta și detecta imagini faciale.
• Să înțeleagă diferitele opțiuni de ambalare a unui sistem Rasberry Pi pentru utilizarea în medii reale.
• Adaptarea sistemului pentru o varietate de cazuri de utilizare, inclusiv supraveghere, verificarea identității etc.

Formatul cursului

• Parte prelegere, parte discuție, exerciții și practică practică intensă

Notă

• Alte opțiuni hardware și software includ: Arduino, OpenFace, Windows, etc. Dacă doriți să utilizați oricare dintre acestea, vă rugăm să ne contactați pentru a aranja.

Fiji este un pachet open-source de procesare a imaginilor care include ImageJ (un program de procesare a imaginilor pentru imagini științifice multidimensionale) și o serie de plugin-uri pentru analiza imaginilor științifice.

În cadrul acestui curs de formare live, condus de un instructor, participanții vor învăța cum să utilizeze distribuția Fiji și programul ImageJ care stă la baza acesteia pentru a crea o aplicație de analiză a imaginilor.

Până la sfârșitul acestui curs, participanții vor fi capabili să:

• Să utilizeze caracteristicile avansate de programare și componentele software ale Fiji pentru a extinde ImageJ
• să coaseze imagini 3d mari din plăci suprapuse
• Să actualizeze automat o instalare Fiji la pornire utilizând sistemul de actualizare integrat
• Selectați dintr-o gamă largă de limbaje de scripting pentru a crea soluții personalizate de analiză a imaginilor
• Utilizarea bibliotecilor puternice Fiji, cum ar fi ImgLib pe seturi mari de date de bioimagini
• Să își implementeze aplicația și să colaboreze cu alți oameni de știință pe proiecte similare

Formatul cursului

• Prelegere și discuții interactive.
• O mulțime de exerciții și practică.
• Implementare practică într-un mediu live-lab.

Opțiuni de personalizare a cursului

• Pentru a solicita o instruire personalizată pentru acest curs, vă rugăm să ne contactați pentru a aranja.

Marvin este o extensibil, Cross-Platform, Open-Source de imagine și de procesare video cadru dezvoltat în Java.   dezvoltatorii pot folosi Marvin pentru a manipula imagini, extrage caracteristici din imagini pentru sarcini de clasificare, generează cifre algoritmic, procesează Seturile de date ale fișierelor video și configurați automatizarea unității de testare.

niște de la Marvin & #39; s vizual cerere a cuprinde filtering, augmentată realitate, obiect Tracking și Deplasare Detection.

în acest instructor-condus, Live curs participanții vor învăța principiile de imagine și video de analiză și de a utiliza Marvin Framework și a imaginii sale algoritmi de procesare pentru a construi propria lor cerere.

format al cursului

• principiile de bază ale analizei imaginilor, analiza video și cadrul Marvin sunt introduse pentru prima dată. Elevilor li se oferă sarcini bazate pe proiecte care le permit să practice conceptele învățate. Până la sfârșitul clasei, participanții își vor fi dezvoltat propria aplicație folosind Marvin Framework și bibliotecile.

PaddlePaddle (PArallel Distributed Deep LEarning) este o platformă scalabilă de învățare profundă dezvoltată de Baidu.

În cadrul acestei formări live, condusă de un instructor, participanții vor învăța cum să utilizeze PaddlePaddle pentru a permite învățarea profundă în aplicațiile lor de produse și servicii.

Până la sfârșitul acestei instruiri, participanții vor fi capabili să:

• Să instaleze și să configureze PaddlePaddle
• Să configureze o rețea neurală convoluțională (CNN) pentru recunoașterea imaginilor și detectarea obiectelor
• Să configureze o rețea neuronală recurentă (RNN) pentru analiza sentimentelor
• Configurarea învățării profunde pe sisteme de recomandare pentru a ajuta utilizatorii să găsească răspunsuri
• Prevedeți ratele de click-through (CTR), clasificați seturi de imagini la scară largă, efectuați recunoașterea optică a caracterelor (OCR), clasificați căutările, detectați virușii informatici și implementați un sistem de recomandări.

Audiență

• Dezvoltatori
• Specialiști în date

Formatul cursului

• Parte prelegere, parte discuție, exerciții și multă practică

Pattern Matching este o tehnică utilizată pentru a localiza modele specifice în cadrul unei imagini. Aceasta poate fi utilizată pentru a determina existența unor caracteristici specifice în cadrul unei imagini capturate, de exemplu eticheta așteptată pe un produs defect într-o linie de fabricație sau dimensiunile specificate ale unei componente. Este diferită de "Pattern Recognition" (care recunoaște modele generale bazate pe colecții mai mari de eșantioane înrudite) prin faptul că dictează în mod specific ceea ce căutăm, apoi ne spune dacă modelul așteptat există sau nu.

Formatul cursului

• Acest curs prezintă abordările, tehnologiile și algoritmii utilizați în domeniul potrivirii modelelor, așa cum se aplică la Machine Vision.

Scilab este un limbaj de nivel înalt bine dezvoltat, gratuit și open-source pentru manipularea datelor științifice. Folosit pentru statistică, grafică și animație, simulare, prelucrarea semnalelor, fizică, optimizare și multe altele, structura sa centrală de date este matricea, simplificând multe tipuri de probleme în comparație cu alternative precum FORTRAN și derivatele C. Este compatibil cu limbaje precum C, Java și Python, ceea ce îl face potrivit pentru a fi utilizat ca o completare a sistemelor existente.

În cadrul acestui curs condus de un instructor, participanții vor învăța avantajele Scilab în comparație cu alternative precum Matlab, elementele de bază ale sintaxei Scilab, precum și unele funcții avansate și interfața cu alte limbaje utilizate pe scară largă, în funcție de cerere. Cursul se va încheia cu un scurt proiect axat pe prelucrarea imaginilor.

La sfârșitul acestui curs, participanții vor cunoaște funcțiile de bază și unele funcții avansate ale Scilab și vor avea resursele necesare pentru a-și continua extinderea cunoștințelor.

Audiență

• Oameni de știință și ingineri în domeniul datelor, în special cu interes pentru procesarea imaginilor și recunoașterea facială

Formatul cursului

• Parte prelegere, parte discuție, exerciții și practică intensivă, cu un proiect final

OpenCV (Open Source Computer Vision Biblioteca: http://opencv.org) este o bibliotecă open-source cu licență BSD care include câteva sute de algoritmi de viziune computerizată.

Audiență

Acest curs se adresează inginerilor și arhitecților care doresc să utilizeze OpenCV pentru proiecte de computer vision

Această instruire live, condusă de un instructor în Moldova (online sau la fața locului) se adresează inginerilor software care doresc să programeze în Python cu OpenCV 4 pentru deep learning.

Până la sfârșitul acestui training, participanții vor fi capabili să:

• Vizualizați, încărcați și clasificați imagini și videoclipuri utilizând OpenCV 4.
• Să implementeze învățarea profundă în OpenCV 4 cu TensorFlow și Keras.
• Să ruleze modele de învățare profundă și să genereze rapoarte cu impact din imagini și videoclipuri.

Această instruire live, condusă de un instructor în Moldova (online sau la fața locului) se adresează oamenilor de știință din domeniul datelor de nivel intermediar până la avansat, inginerilor din domeniul învățării automate, cercetătorilor din domeniul învățării profunde și experților în viziune computerizată care doresc să își extindă cunoștințele și abilitățile în învățarea profundă pentru generarea de text în imagine.

Până la sfârșitul acestei formări, participanții vor fi capabili să:

• Înțeleagă arhitecturile și tehnicile avansate de învățare profundă pentru generarea text-imagine.
• Să implementeze modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate.
• Să optimizeze performanța și scalabilitatea pentru seturi mari de date și modele complexe.
• Reglați hiperparametrii pentru o mai bună performanță și generalizare a modelului.
• Integrarea Stable Diffusion cu alte cadre și instrumente de învățare profundă