Deep Learning for Self Driving Cars Training Cursus

OpenCV (Open Source Computer Vision Library: http://opencv.org) is een open-source bibliotheek met BSD-licentie die honderden computer vision-algoritmen bevat.

Publiek

Deze cursus is bedoeld voor ingenieurs en architecten die OpenCV willen gebruiken voor computervisieprojecten

Deze instructeur-geleide, live training in België (op locatie of op afstand) is gericht op software-ingenieurs die willen programmeren in Python met OpenCV 4 voor diepgaand leren.

Aan het einde van deze training kunnen deelnemers:

• Bekijk, laad en classificeer afbeeldingen en video's met OpenCV 4.
• Implementeer deep learning in OpenCV 4 met TensorFlow en Keras.
• Voer deep learning-modellen uit en genereer impactvolle rapporten op basis van afbeeldingen en video's.

Deze instructieve, live training introduceert de software, hardware en het stepbystep-proces dat nodig is om een ​​gezichtsherkenningssysteem helemaal opnieuw te bouwen Gezichtsherkenning is ook bekend als gezichtsherkenning De hardware die in dit lab wordt gebruikt, omvat Rasberry Pi, een cameramodule, servo's (optioneel), enz Deelnemers zijn zelf verantwoordelijk voor de aanschaf van deze componenten De gebruikte software omvat OpenCV, Linux, Python, etc Aan het einde van deze training kunnen deelnemers: Installeer Linux, OpenCV en andere softwareprogramma's en -bibliotheken op een Rasberry Pi Configureer OpenCV om gezichtsbeelden vast te leggen en te detecteren Begrijp de verschillende opties voor het verpakken van een Rasberry Pi-systeem voor gebruik in realworld-omgevingen Pas het systeem aan voor verschillende gebruiksdoelen, waaronder bewaking, identiteitsverificatie, enz Publiek ontwikkelaars Hardware / software technici Technische personen in alle industrieën hobbyisten Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen Notitie Andere hardware- en software-opties zijn: Arduino, OpenFace, Windows, etc Als u een van deze wilt gebruiken, neem dan contact met ons op om dit te regelen .

Patroonovereenkomst is een techniek die wordt gebruikt om opgegeven patronen in een afbeelding te vinden. Het kan worden gebruikt om het bestaan van specifieke kenmerken in een vastgelegde afbeelding te bepalen, bijvoorbeeld het verwachte label op een defect product in een fabriekslijn of de opgegeven afmetingen van een component. Het verschilt van " Pattern Recognition " (die algemene patronen herkent op basis van grotere verzamelingen van gerelateerde monsters) omdat het specifiek dicteert waarnaar we op zoek zijn en ons dan vertelt of het verwachte patroon bestaat of niet.

Indeling van de cursus

• Deze cursus introduceert de benaderingen, technologieën en algoritmen die worden gebruikt op het gebied van patroonafstemming zoals dit van toepassing is op Machine Vision .

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op technische personen die een deep learning-model willen toepassen op beeldherkenningstoepassingen.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer Keras.
• Maak snel prototypes van deep learning-modellen.
• Implementeer een convolutioneel netwerk.
• Implementeer een terugkerend netwerk.
• Voer een deep learning-model uit op zowel een CPU als een GPU.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op software-ingenieurs die geavanceerde deep learning neurale netwerken en modellen willen ontwikkelen met behulp van Keras en Python.

Aan het einde van deze training kunnen deelnemers:

• Pas deep learning toe met begeleide of onbewaakte leermethoden.
• Ontwikkel, train en implementeer gelijktijdige neurale netwerken en terugkerende neurale netwerken.
• Gebruik Keras en Python om diepgaande leermodellen te bouwen om problemen met afbeeldingen, tekst, geluid en meer op te lossen.

Caffe is een diepgaand leerkader gemaakt met expressie, snelheid en modulariteit in het achterhoofd.

Deze cursus onderzoekt de toepassing van Caffe als een diepgaand leerkader voor beeldherkenning met behulp van MNIST als voorbeeld

Publiek

Deze cursus is geschikt voor onderzoekers en ingenieurs van Deep Learning die geïnteresseerd zijn in het gebruik van Caffe als kader.

Na het voltooien van deze cursus kunnen afgevaardigden:

• inzicht in de structuur en implementatiemechanismen van Caffe
• voer installatie / productieomgeving / architectuurtaken en configuratie uit
• codekwaliteit beoordelen, foutopsporing uitvoeren, controleren
• implementeer geavanceerde productie zoals trainingsmodellen, implementatie van lagen en logboekregistratie

Marvin is een uitbreidbaar, platformonafhankelijk, open-source raamwerk voor beeld- en videoverwerking dat is ontwikkeld in Java . Ontwikkelaars kunnen Marvin gebruiken om afbeeldingen te manipuleren, functies uit afbeeldingen te extraheren voor classificatietaken, algoritmen cijfers te genereren, gegevensbestanden van videobestanden te verwerken en unit-testautomatisering in te stellen.

Sommige video-applicaties van Marvin omvatten filtering, augmented reality, object-tracking en bewegingsdetectie.

In dit door een instructeur geleide, leren de cursisten de principes van beeld- en video-analyse en gebruiken ze het Marvin Framework en de beeldverwerkingsalgoritmen om hun eigen applicatie te bouwen.

Indeling van de cursus

• De basisprincipes van beeldanalyse, videoanalyse en het Marvin Framework worden voor het eerst geïntroduceerd. Studenten krijgen projectmatige taken waarmee ze de geleerde concepten kunnen oefenen. Tegen het einde van de les hebben de deelnemers hun eigen applicatie ontwikkeld met behulp van het Marvin Framework en bibliotheken.

Computer Vision is een gebied dat bestaat uit het automatisch extraheren, analyseren en begrijpen van nuttige informatie uit digitale media Python is een programmeertaal op hoog niveau die bekend staat om zijn duidelijke syntaxis en codele leesbaarheid Tijdens deze live training met instructeur leren deelnemers de basis van Computer Vision bij het maken van een set eenvoudige computervisie-applicaties met Python Aan het einde van deze training kunnen deelnemers: Begrijp de basis van Computer Vision Gebruik Python om Computer Vision-taken te implementeren Bouw hun eigen gezichts-, object- en bewegingsdetectiesystemen Publiek Python-programmeurs die geïnteresseerd zijn in Computer Vision Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

SimpleCV is een open source framework - wat betekent dat het een verzameling bibliotheken en software is die u kunt gebruiken om vision-applicaties te ontwikkelen. Hiermee kunt u werken met de afbeeldingen of videostreams die afkomstig zijn van webcams, Kinects, FireWire en IP-camera's of mobiele telefoons. Het helpt u bij het bouwen van software om uw verschillende technologieën niet alleen de wereld te laten zien, maar ook te begrijpen.

Publiek

Deze cursus is bedoeld voor ingenieurs en ontwikkelaars die computer vision-toepassingen willen ontwikkelen met SimpleCV.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars die hardwareversnelde objectdetectie- en trackingmodellen willen bouwen om streaming videogegevens te analyseren.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer de benodigde ontwikkelomgeving, software en bibliotheken om te beginnen met ontwikkelen.
• Bouw, train en implementeer deep learning-modellen om live videofeeds te analyseren.
• Identificeer, volg, segmenteer en voorspel verschillende objecten binnen videoframes.
• Optimaliseer objectdetectie- en trackingmodellen.
• Implementeer een intelligente video-analysetoepassing (IVA).

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op back-end ontwikkelaars en datawetenschappers die vooraf getrainde YOLO-modellen willen opnemen in hun ondernemingsgestuurde programma's en kosteneffectieve componenten willen implementeren voor object- detectie.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer de benodigde tools en bibliotheken die nodig zijn voor objectdetectie met behulp van YOLO.
• Pas Python opdrachtregeltoepassingen aan die werken op basis van vooraf getrainde YOLO-modellen.
• Implementeer het raamwerk van vooraf getrainde YOLO-modellen voor verschillende computer vision-projecten.
• Converteer bestaande datasets voor objectdetectie naar YOLO-formaat.
• Begrijp de fundamentele concepten van het YOLO-algoritme voor computervisie en/of deep learning.

Deze door een instructeur geleide, live training in België (op locatie of op afstand) is gericht op ontwikkelaars, onderzoekers en datawetenschappers van gemiddeld tot gevorderd niveau die willen leren hoe ze real-time objectdetectie kunnen implementeren met behulp van YOLOv7.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de fundamentele concepten van objectdetectie.
• Installeer en configureer YOLOv7 voor objectdetectietaken.
• Train en test aangepaste objectdetectiemodellen met YOLOv7.
• Integreer YOLOv7 met andere computer vision-frameworks en -tools.
• Los veelvoorkomende problemen met betrekking tot de YOLOv7-implementatie op.