Formation Détection d'objets en temps réel avec YOLO

Le SDK CANN (Compute Architecture for Neural Networks) fournit des outils puissants de déploiement et d'optimisation pour les applications d'IA en temps réel en vision par ordinateur et en NLP (traitement du langage naturel), en particulier sur le matériel Huawei Ascend.

Cette formation en direct animée par un instructeur (en ligne ou sur site) s'adresse aux praticiens de l'IA de niveau intermédiaire souhaitant créer, déployer et optimiser des modèles de vision et de langage à l'aide du SDK CANN pour des cas d'utilisation en production.

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

• Déployer et optimiser les modèles CV et NLP à l'aide de CANN et d'AscendCL.
• Utiliser les outils CANN pour convertir les modèles et les intégrer dans des pipelines en direct.
• Optimiser les performances d'inférence pour des tâches telles que la détection, la classification et l'analyse des sentiments.
• Construire des pipelines CV/NLP en temps réel pour des scénarios de déploiement en périphérie (edge) ou dans le cloud.

Format de la formation

• Cours interactif et démonstrations.
• Ateliers pratiques avec déploiement de modèles et profilage des performances.
• Conception de pipelines en direct à l'aide de cas d'utilisation CV et NLP réels.

Options de personnalisation de la formation

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter afin de l'organiser.

Cette formation en direct, animée par un formateur en Belgique (en ligne ou sur site), s'adresse aux développeurs d'IA et aux ingénieurs en vision par ordinateur de niveau intermédiaire qui souhaitent concevoir des systèmes visuels robustes pour des applications de conduite autonome.

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

• Comprendre les concepts fondamentaux de la vision par ordinateur dans les véhicules autonomes.
• Implémenter des algorithmes de détection d'objets, de détection de voies et de segmentation sémantique.
• Intégrer des systèmes de vision aux autres sous-systèmes des véhicules autonomes.
• 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 en direct, encadrée par un formateur, en Belgique (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant 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 l'issue de cette formation, les participants seront capables de :

• Créer et entraîner des réseaux de neurones convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles cloud évolutif et efficace.
• 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 l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en présentiel ou à distance, animée par un formateur, à Belgique s'adresse aux ingénieurs en vision par ordinateur, aux développeurs d'IA et aux professionnels de l'IoT de niveau intermédiaire à avancé, souhaitant implémenter et optimiser des modèles de vision par ordinateur pour le traitement en temps réel sur des dispositifs edge.

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

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

Cette formation en présentiel ou en ligne, animée par un formateur, à Belgique s'adresse au personnel des forces de l'ordre débutant souhaitant passer du dessin manuel de profils à l'utilisation d'outils d'IA pour développer des systèmes de reconnaissance faciale.

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

• Comprendre les fondamentaux de l'intelligence artificielle et de l'apprentissage automatique.
• Apprendre les bases du traitement d'images numériques et leur application dans la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de frameworks d'IA pour créer des modèles de reconnaissance faciale.
• Acquérir une expérience pratique dans la création, l'entraînement et le test de systèmes de reconnaissance faciale.
• Comprendre les considérations éthiques et les bonnes pratiques relatives à l'utilisation de la technologie de reconnaissance faciale.

Fiji est un puissant package de traitement d'images open-source qui regroupe ImageJ (un programme conçu pour les images scientifiques multidimensionnelles) ainsi qu'une suite complète de plugins pour l'analyse d'images scientifiques.

Lors de cette formation en présentiel encadrée par un formateur, les participants apprendront à exploiter la distribution Fiji et son programme sous-jacent ImageJ pour créer des applications d'analyse d'images robustes.

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

• Utiliser les fonctionnalités de programmation avancées et les composants logiciels de Fiji pour étendre les capacités d'ImageJ
• Assembler de grandes images 3D à partir de tuiles se chevauchant
• Automatiser la mise à jour d'une installation de Fiji au démarrage via le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour développer des solutions d'analyse d'images personnalisées
• Utiliser les bibliothèques puissantes de Fiji, telles qu'ImgLib, pour traiter efficacement de grands ensembles de données bioimages
• Déployer des applications et collaborer efficacement avec d'autres scientifiques sur des projets similaires

Format de la formation

• Cours interactif et discussions
• Exercices étendus et application pratique
• Mise en œuvre pratique dans un environnement de laboratoire en direct

Options de personnalisation de la formation

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter afin d'en convenir.

Cette formation en présentiel ou à distance en Belgique, animée par un instructeur, s'adresse aux chercheurs de niveau débutant à intermédiaire ainsi qu'aux professionnels de laboratoire souhaitant traiter et analyser des images liées aux tissus histologiques, aux cellules sanguines, aux algues et à d'autres échantillons biologiques.

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

• Naviguer dans l'interface Fiji et utiliser les fonctions principales d'ImageJ.
• Prétraiter et améliorer les images scientifiques pour faciliter leur analyse.
• Analyser les images quantitativement, y compris le comptage cellulaire et la mesure de surface.
• Automatiser les tâches répétitives à l'aide de macros et de plugins.
• Personnaliser les flux de travail en fonction des besoins spécifiques de l'analyse d'images en recherche biologique.

Cette formation en direct, encadrée par un formateur à Belgique (en ligne ou en présentiel), s'adresse aux ingénieurs logiciel souhaitant programmer en Python avec OpenCV 4 pour le deep learning.

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

• Visualiser, charger et classifier des images et des vidéos à l'aide d'OpenCV 4.
• Mettre en œuvre le deep learning dans OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles de deep learning et générer des rapports pertinents à partir d'images et de vidéos.

La vision par ordinateur est un domaine qui consiste à extraire, analyser et comprendre automatiquement des informations utiles à partir de supports numériques. Python est un langage de programmation de haut niveau réputé pour sa syntaxe claire et la lisibilité de son code.

Lors de cette formation dirigée par un instructeur, les participants apprendront les bases de la vision par ordinateur en créant une série d'applications simples de vision par ordinateur avec Python.

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

• Comprendre les bases de la vision par ordinateur
• Utiliser Python pour mettre en œuvre des tâches de vision par ordinateur
• Développer leurs propres systèmes de détection de visage, d'objets et de mouvement

Public cible

• Programmeurs Python intéressés par la vision par ordinateur

Format de la formation

• Une partie théorique, une partie discussions, exercices et beaucoup de pratique manuelle

Cette formation en présentiel ou en ligne, animée par un instructeur dans Belgique, s'adresse aux professionnels de niveau intermédiaire souhaitant utiliser Vision Builder AI pour concevoir, mettre en œuvre et optimiser des systèmes d'inspection automatisée pour les procédés SMT (Technologie de Montage en Surface).

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

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

Cette formation pratique en Belgique (en ligne ou sur site) s'adresse aux développeurs, chercheurs et scientifiques des données de niveau intermédiaire à avancé qui souhaitent apprendre à mettre en œuvre la détection d'objets en temps réel à l'aide de YOLOv7.

À l'issue 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.
• Entraîner et tester des modèles de détection d'objets personnalisés avec YOLOv7.
• Intégrer YOLOv7 avec d'autres frameworks et outils de vision par ordinateur.
• Résoudre les problèmes courants liés à l'implémentation de YOLOv7.