Computer Vision Trainingen in Brugge

Deze begeleide, live training in Brugge (online of ter plaatse) is gericht op computer vision engineers, AI-ontwikkelaars en IoT-professionals op intermediair tot gevorderd niveau die computer vision-modellen willen implementeren en optimaliseren voor real-time verwerking op edge-apparaten.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van Edge AI en de toepassingen ervan in computer vision te begrijpen.
• Geoptimaliseerde deep learning-modellen te implementeren op edge-apparaten voor real-time beeld- en video-analyse.
• Frameworks zoals TensorFlow Lite, OpenVINO, en NVIDIA Jetson SDK te gebruiken voor modelimplementatie.
• AI-modellen te optimaliseren voor prestaties, stroomverbruiksefficiëntie en laaglatentie-inferentie.

Deze door een instructeur geleide, live training (online of op locatie) is gericht op professionals op gevorderd niveau die hun kennis van computer vision willen verdiepen en de mogelijkheden van TensorFlow willen verkennen voor het ontwikkelen van geavanceerde visiemodellen met behulp van Google Colab.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• Convolutional neural networks (CNNs) te bouwen en te trainen met behulp van TensorFlow.
• Google Colab te gebruiken voor schaalbare en efficiënte cloudgebaseerde modelleerontwikkeling.
• Afbeeldingsvoorbewerkingstechnieken te implementeren voor computer vision-taken.
• Computer vision-modellen te implementeren voor echte toepassingen.
• Transfer learning te gebruiken om de prestaties van CNN-modellen te verbeteren.
• De resultaten van afbeeldingsclassificatiemodellen te visualiseren en te interpreteren.

Het CANN SDK (Compute Architecture for Neural Networks) biedt krachtige implementatie- en optimalisatiegereedschappen voor real-time AI-applicaties in computer vision en NLP, vooral op Huawei Ascend hardware.

Deze door een instructeur geleide live training (online of op locatie) is gericht op AI-practitioners op intermediair niveau die vision- en taalmodellen willen bouwen, implementeren en optimaliseren met behulp van het CANN SDK voor productiegebruiksscenario’s.

Aan het einde van deze training kunnen de deelnemers:

• CV- en NLP-modellen implementeren en optimaliseren met CANN en AscendCL.
• CANN gereedschappen gebruiken om modellen te converteren en te integreren in live-pijplijnen.
• De inferentieprestaties optimaliseren voor taken zoals detectie, classificatie en sentimentanalyse.
• Real-time CV/NLP-pijplijnen bouwen voor edge- of cloudgebaseerde implementatiescenario’s.

Opbouw van de cursus

• Interactieve lezing en demonstratie.
• Handson lab met modelimplementatie en prestatieprofiling.
• Live-pijplijndesign met behulp van echte CV- en NLP-gebruiksscenario’s.

Opties voor cursusaanpassing

• Voor een aangepaste training voor deze cursus, neem contact met ons op om dit te regelen.

Deze door een instructeur geleide, live training (online of op locatie) is bedoeld voor AI-ontwikkelaars en computer vision engineers op intermediair niveau die robuuste visiesystemen voor toepassingen van zelfrijdende voertuigen willen bouwen.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisconcepten van computer vision in zelfrijdende voertuigen te begrijpen.
• Algoritmen voor objectdetectie, baanherkenning en semantische segmentatie te implementeren.
• Visiesystemen te integreren met andere subsystemen van zelfrijdende voertuigen.
• Deep learning technieken toe te passen voor geavanceerde waarnemingstaken.
• De prestaties van computer vision modellen in real-world scenario's te evalueren.

Deze door een instructeur geleide, live training in Brugge (online of op locatie) is gericht op beginnende medewerkers van de rechtshandhaving die willen overstappen van handmatig faciaal tekenen naar het gebruik van AI-tools voor het ontwikkelen van gezichtsherkenningsystemen.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De basisprincipes van Artificial Intelligence en Machine Learning te begrijpen.
• De basisprincipes van digitale beeldverwerking en de toepassing ervan in gezichtsherkenning te leren.
• Vaardigheden te ontwikkelen in het gebruik van AI-tools en frameworks om gezichtsherkenningsmodellen te creëren.
• Handson ervaring op te doen met het creëren, trainen en testen van gezichtsherkenningsystemen.
• De ethische overwegingen en beste praktijken bij het gebruik van gezichtsherkenningstechnologie te begrijpen.

Deze door een instructeur geleide, live training (online of ter plaatse) is gericht op beginners tot gemiddelde onderzoekers en laboratoriumprofessionals die wensen om beelden te verwerken en te analyseren die betrekking hebben op histologische weefsels, bloedcellen, algen en andere biologische monsters.

Aan het einde van deze training zullen de deelnemers in staat zijn om:

• De interface van Fiji te navigeren en de kernfuncties van ImageJ te gebruiken.
• Wetenschappelijke beelden te voorverwerken en te verbeteren voor een betere analyse.
• Beelden kwantitatief te analyseren, inclusief celtelling en oppervlaktemeting.
• Herhaalde taken te automatiseren met behulp van macros en plug-ins.
• Werkstroomprocessen aan te passen aan specifieke beelddanalyseeisen in biologische onderzoek.

Dit door een instructeur geleide live training in Brugge (online of op locatie) is gericht op professionals met middelmatige kennis die Vision Builder AI willen gebruiken om geautomatiseerde inspectiesystemen te ontwerpen, implementeren en optimaliseren voor SMT (Surface-Mount Technology) processen.

Na afloop van deze training zijn de deelnemers in staat:

• Geautomatiseerde inspecties op te zetten en te configureren met Vision Builder AI.
• Hoge-kwaliteitsafbeeldingen verkrijgen en voorbereiden voor analyse.
• Logica-gebaseerde beslissingen implementeren voor defectendetekting en procesvalidatie.
• Inspectierapporten genereren en systeemprestaties optimaliseren.

Deze door een instructeur geleide, live training (online of ter plaatse) is bedoeld voor ontwikkelaars, onderzoekers en datawetenschappers op intermediair tot gevorderd niveau die willen leren hoe ze real-time objectdetectie kunnen implementeren met behulp van YOLOv7.

Aan het einde van deze training kunnen de deelnemers:

• De basisconcepten van objectdetectie begrijpen.
• YOLOv7 installeren en configureren voor objectdetectieopdrachten.
• Aangepaste objectdetectiemodellen trainen en testen met behulp van YOLOv7.
• YOLOv7 integreren met andere computervisieframeworks en -tools.
• Veelvoorkomende problemen oplossen die verband houden met de implementatie van YOLOv7.

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

Fiji is een open-source beeldverwerkingspakket dat ImageJ (een beeldverwerkingsprogramma voor wetenschappelijke multidimensionale beelden) en een aantal plug-ins voor wetenschappelijke beeldanalyse bundelt.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de Fiji-distributie en het onderliggende ImageJ-programma kunnen gebruiken om een toepassing voor beeldanalyse te maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Gebruik de geavanceerde programmeerfuncties en softwarecomponenten van Fiji om ImageJ uit te breiden
• Naai grote 3D-afbeeldingen van overlappende tegels
• Een Fiji-installatie automatisch bijwerken bij het opstarten met behulp van het geïntegreerde updatesysteem
• Kies uit een brede selectie scripttalen om aangepaste oplossingen voor beeldanalyse te bouwen
• Gebruik de krachtige bibliotheken van Fiji, zoals ImgLib, op grote bioimage-datasets
• Implementeer hun applicatie en werk samen met andere wetenschappers aan soortgelijke projecten

Vorm van de cursus

• Interactieve lezing en discussie.
• Veel oefeningen en oefenen.
• Hands-on implementatie in een live-lab omgeving.

Opties voor het aanpassen van cursussen

• Om een training op maat voor deze cursus aan te vragen, neem dan contact met ons op om een afspraak te maken.

OpenCV (Open Source Computer Vision Bibliotheek: http://opencv.org) is een open-source BSD-gelicentieerde bibliotheek die enkele honderden computervisie-algoritmen bevat.

Audiëntie

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

Deze live training onder leiding van een instructeur in Brugge (online of ter plaatse) is bedoeld voor software-engineers die willen programmeren in Python met OpenCV 4 voor deep learning.

Aan het einde van deze training zijn de deelnemers in staat om:

• Bekijk, laad en classificeer afbeeldingen en video's met behulp van 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.

OpenFace is Python en Torch gebaseerde open-source, real-time gezichtsherkenningssoftware gebaseerd op Google's FaceNet-onderzoek.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de componenten van OpenFace kunnen gebruiken om een voorbeeldtoepassing voor gezichtsherkenning te maken en te implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Werk met de componenten van OpenFace, waaronder dlib, OpenVC, Torch en nn4 om gezichtsdetectie, uitlijning en transformatie te implementeren
• Pas OpenFace toe op real-world toepassingen zoals bewaking, identiteitsverificatie, virtual reality, gaming en het identificeren van terugkerende klanten, enz.

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Pattern Matching is een techniek die wordt gebruikt om gespecificeerde patronen in een afbeelding te lokaliseren. Het kan worden gebruikt om het bestaan van gespecificeerde kenmerken in een vastgelegd beeld te bepalen, bijvoorbeeld het verwachte label op een defect product in een fabriekslijn of de gespecificeerde afmetingen van een onderdeel. Het verschilt van "Pattern Recognition" (dat algemene patronen herkent op basis van grotere verzamelingen van verwante monsters) in die zin dat het specifiek dicteert waarnaar we op zoek zijn en ons vervolgens vertelt of het verwachte patroon bestaat of niet.

Vorm van de cursus

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

Computer Vision is een veld dat betrekking heeft op 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 leesbaarheid van de code.

In deze door een instructeur geleide, live training leren deelnemers de basis van Computer Vision terwijl ze stap voor stap stappen zetten bij het maken van een set eenvoudige Computer Vision applicaties met behulp van Python.

Aan het einde van deze training zijn de deelnemers in staat om:

• De basisprincipes van Computer Vision begrijpen
• Python gebruiken om Computer Vision taken te implementeren
• Hun eigen systemen voor gezichts-, object- en bewegingsdetectie bouwen

Audiëntie

• Python programmeurs die geïnteresseerd zijn in Computer Vision

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en veel praktische toepassing

Deze live training onder leiding van een instructeur introduceert de software, hardware en het stapsgewijze proces die nodig zijn om een gezichtsherkenningssysteem vanaf nul op te bouwen. Gezichtsherkenning wordt ook wel Face Recognition genoemd.

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, enz.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer Linux, OpenCV en andere softwarehulpprogramma's en bibliotheken op een Rasberry Pi.
• Configureer OpenCV om gezichtsopnamen vast te leggen en te detecteren.
• Begrijp de verschillende opties voor het verpakken van een Rasberry Pi-systeem voor gebruik in real-world omgevingen.
• Pas het systeem aan voor een verscheidenheid aan gebruiksscenario's, waaronder bewaking, identiteitsverificatie, enz.

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Notitie

• Andere hardware- en software-opties zijn onder meer: Arduino, OpenFace, Windows, enz. Als u een van deze wilt gebruiken, neem dan contact met ons op om dit te regelen.

SimpleCV is een open source framework, wat betekent dat het een verzameling bibliotheken en software is die je 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 software te bouwen om uw verschillende technologieën niet alleen de wereld te laten zien, maar ook te begrijpen.

Audiëntie

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 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.