Formation Vision par Ordinateur avec SimpleCV

Caffe est un cadre de deep learning conçu avec expression, rapidité et modularité à l'esprit.

Ce cours explore l'application de Caffe comme cadre de deep learning pour la reconnaissance d'images en utilisant MNIST comme exemple.

Public cible

Ce cours convient aux chercheurs et ingénieurs en Deep Learning intéressés par l'utilisation de Caffe comme cadre.

À la fin de ce cours, les participants seront capables de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et de configuration
• évaluer la qualité du code, effectuer le débogage et la surveillance
• mettre en œuvre des fonctionnalités avancées de production telles que l'entraînement de modèles, l'implémentation de couches et la journalisation

Cette formation dirigée par un instructeur, en ligne ou sur site à Belgique, est destinée aux développeurs AI et ingénieurs en vision par ordinateur de niveau intermédiaire qui souhaitent construire des systèmes de vision robustes pour les applications de conduite autonome.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de la vision par ordinateur dans les véhicules autonomes.
• Implémenter des algorithmes pour la détection d'objets, la détection de lignes et le segmentation sémantique.
• Intégrer les systèmes de vision avec d'autres sous-systèmes de véhicule autonome.
• Appliquer des techniques d'apprentissage profond pour des tâches de perception avancées.
• Évaluer les performances des modèles de vision par ordinateur dans des scénarios réels.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

À la fin de cette formation, les participants seront capables de :

• Construire et entraîner des réseaux neuronaux convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour le développement de modèles cloud évolutifs et efficaces.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser le transfert d'apprentissage pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs intermédiaires et avancés en vision par ordinateur, développeurs IA et professionnels IoT qui souhaitent mettre en œuvre et optimiser des modèles de vision par ordinateur pour le traitement en temps réel sur les périphériques de bord.

À la fin de cette formation, les participants seront capables de :

• Comprendre les fondamentaux de l'IA de bord et ses applications dans la vision par ordinateur.
• Déployer des modèles d'apprentissage profond optimisés sur les périphériques de bord pour l'analyse d'images et de vidéos en temps réel.
• Utiliser des frameworks comme TensorFlow Lite, OpenVINO et NVIDIA Jetson SDK pour le déploiement des modèles.
• Optimiser les modèles IA pour la performance, l'efficacité énergétique et une inférence à faible latence.

Cette formation en direct (en ligne ou sur site) est destinée aux agents de police débutants qui souhaitent passer des croquis manuels de visages à l'utilisation d'outils basés sur l'intelligence artificielle pour développer des systèmes de reconnaissance faciale.

À la fin de cette formation, les participants seront capables de :

• Comprendre les fondamentaux de l'Intelligence Artificielle et de l'apprentissage automatique.
• Apprendre les bases du traitement d'image numérique et son application dans la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de cadres basés sur l'IA pour créer des modèles de reconnaissance faciale.
• Acquérir une expérience pratique en créant, formant et testant des systèmes de reconnaissance faciale.
• Comprendre les considérations éthiques et les meilleures pratiques dans l'utilisation de la technologie de reconnaissance faciale.

Fiji est un logiciel libre de traitement d'images qui regroupe ImageJ (un programme de traitement d'images multidimensionnelles scientifiques) et un certain nombre de plugins pour l'analyse d'images scientifiques.

Au cours de cette formation, les participants apprendront à utiliser la distribution Fiji et le programme ImageJ sous-jacent pour créer une application d'analyse d'images.

À l'issue de cette formation, les participants seront capables de :

• Utiliser les fonctions de programmation avancées et les composants logiciels de Fiji pour étendre ImageJ
• Assembler de grandes images 3D à partir de tuiles qui se chevauchent
• Mettre à jour automatiquement une installation de Fiji au démarrage en utilisant le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour créer des solutions d'analyse d'images personnalisées.
• utiliser les puissantes bibliothèques de Fiji, telles que ImgLib, pour les grands ensembles de données d'imagerie biologique
• Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires.

Format du cours

• Exposé et discussion interactifs.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement live-lab.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux chercheurs et professionnels de laboratoire débutants à intermédiaires qui souhaitent traiter et analyser des images liées aux tissus histologiques, aux cellules sanguines, aux algues et autres échantillons biologiques.

À la fin de cette formation, les participants seront en mesure de :

• Naviguer dans l'interface de Fiji et utiliser les fonctions de base d'ImageJ.
• Prétraiter et améliorer les images scientifiques pour une meilleure analyse.
• Analyser les images quantitativement, y compris le comptage de cellules et la mesure d'aires.
• Automatiser les tâches répétitives à l'aide de macros et de plugins.
• Personnaliser des flux de travail pour répondre aux besoins spécifiques d'analyse d'images en recherche biologique.

OpenCV (Open Source Computer Vision Library : http://opencv.org) est une bibliothèque open-source sous licence BSD qui comprend plusieurs centaines d'algorithmes de vision par ordinateur.

Public

Ce cours s'adresse aux ingénieurs et aux architectes qui souhaitent utiliser OpenCV pour des projets de vision par ordinateur.

Cette formation en Belgique (en ligne ou sur site) s'adresse aux ingénieurs logiciels qui souhaitent programmer en Python avec OpenCV 4 pour l'apprentissage profond.

A l'issue de cette formation, les participants seront capables de :

• Visualiser, charger et classifier des images et des vidéos en OpenCV 4.
• Mettre en œuvre l'apprentissage profond en OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.

Format du cours

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

[L'informatique est un domaine qui consiste à extraire, analyser et comprendre automatiquement des informations utiles à partir de supports numériques. Le Python est un langage de programmation de haut niveau réputé pour sa syntaxe claire et la lisibilité de son code.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront les bases de Computer Vision en créant un ensemble d'applications Computer Vision simples à l'aide de Python.

À la fin de cette formation, les participants seront capables de :

• Comprendre les bases de Computer Vision
• Utiliser Python pour implémenter des tâches Computer Vision
• Construire leurs propres systèmes de détection de visages, d'objets et de mouvements

Public

• Programmeurs Python intéressés par Computer Vision

Format du cours

• Cours combinant exposés théoriques, discussions, exercices et une pratique intensive

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels intermédiaires souhaitant utiliser Vision Builder AI pour concevoir, mettre en œuvre et optimiser des systèmes d'inspection automatisés destinés aux processus SMT (Surface-Mount Technology).

À la fin de cette formation, les participants seront capables de :

• Configurer et paramétrer des inspections automatisées à l'aide de Vision Builder AI.
• Acquérir et prétraiter des images de haute qualité pour l'analyse.
• Mettre en œuvre des décisions basées sur la logique pour la détection de défauts et la validation du processus.
• Générer des rapports d'inspection et optimiser les performances du système.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux développeurs back-end et aux scientifiques des données qui souhaitent intégrer des modèles pré-entraînés YOLO dans leurs programmes orientés entreprise et mettre en œuvre des composants coût-efficaces pour la détection d'objets.

À la fin de cette formation, les participants seront capables de :

• Installer et configurer les outils et bibliothèques nécessaires à la détection d'objets avec YOLO.
• Personnaliser des applications en ligne de commande Python qui fonctionnent sur la base de modèles pré-entraînés YOLO.
• Mettre en œuvre le cadre de modèles pré-entraînés YOLO pour divers projets de vision par ordinateur.
• Convertir des ensembles de données existants pour la détection d'objets au format YOLO.
• Comprendre les concepts fondamentaux de l'algorithme YOLO pour la vision par ordinateur et/ou l'apprentissage profond.

Cette formation dirigée par un instructeur, en ligne ou sur site à Belgique, est destinée aux développeurs, chercheurs et scientifiques des données de niveau intermédiaire à avancé qui souhaitent apprendre à implémenter la détection d'objets en temps réel avec YOLOv7.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de la détection d'objets.
• Installer et configurer YOLOv7 pour des tâches de détection d'objets.
• Former et tester des modèles de détection d'objets personnalisés en utilisant YOLOv7.
• Intégrer YOLOv7 avec d'autres frameworks et outils de vision par ordinateur.
• Résoudre les problèmes courants liés à l'implémentation de YOLOv7.