Formation Computer Vision en France

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux ingénieurs en vision par ordinateur de niveau intermédiaire à avancé, aux développeurs d'IA et aux professionnels de l'IoT qui souhaitent mettre en œuvre et optimiser les modèles de vision par ordinateur pour le traitement en temps réel sur les appareils de périphérie.

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

• Comprendre les principes fondamentaux de Edge AI et ses applications en vision par ordinateur.
• Déployer des modèles d'apprentissage profond optimisés sur des appareils périphériques 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 de modèles.
• Optimiser les modèles d'IA pour la performance, l'efficacité énergétique et l'inférence à faible latence.

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

Cette formation en direct (en ligne ou sur place) est destinée à des professionnels avancés qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour le développement de modèles de vision sophistiqués utilisant Google Colab.

• Construire et entraîner des réseaux neuronaux convolutionnels (CNNs) à l'aide de TensorFlow.
• Profiter de Google Colab pour un développement de modèles basé sur le cloud scalable 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 du monde réel.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

The CANN SDK (Compute Architecture for Neural Networks) provides powerful deployment and optimization tools for real-time AI applications in computer vision and NLP, especially on Huawei Ascend hardware.

This instructor-led, live training (online or onsite) is aimed at intermediate-level AI practitioners who wish to build, deploy, and optimize vision and language models using the CANN SDK for production use cases.

By the end of this training, participants will be able to:

• Deploy and optimize CV and NLP models using CANN and AscendCL.
• Use CANN tools to convert models and integrate them into live pipelines.
• Optimize inference performance for tasks like detection, classification, and sentiment analysis.
• Build real-time CV/NLP pipelines for edge or cloud-based deployment scenarios.

Format of the Course

• Interactive lecture and demonstration.
• Hands-on lab with model deployment and performance profiling.
• Live pipeline design using real CV and NLP use cases.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Cette formation dirigée par un instructeur, en présentiel ou en ligne, s'adresse aux développeurs IA et aux 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 voies et la segmentation sémantique.
• Intégrer les systèmes de vision avec les autres sous-systèmes des véhicules autonomes.
• Appliquer les techniques d'apprentissage profond aux tâches de perception avancées.
• Évaluer les performances des modèles de vision par ordinateur dans des scénarios réels.

Cette formation en direct avec instructeur en France (en ligne ou sur place) s'adresse au personnel débutant des forces de l'ordre qui souhaite passer de l'esquisse faciale manuelle à l'utilisation d'outils d'intelligence artificielle pour développer des systèmes de reconnaissance faciale.

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

• Comprendre les principes fondamentaux de l'intelligence artificielle et Machine Learning.
• Apprendre les bases du traitement numérique de l'image et son application à la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de cadres d'intelligence artificielle 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 meilleures pratiques dans l'utilisation de la technologie de reconnaissance faciale.

Cette formation en direct dans France (en ligne ou sur place) s'adresse aux chercheurs et professionnels de laboratoire de niveau débutant à intermédiaire qui souhaitent traiter et analyser des images de tissus histologiques, de cellules sanguines, d'algues et d'autres échantillons biologiques.

A 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 une meilleure analyse.
• Analyser les images quantitativement, y compris le comptage des cellules et la mesure de la surface.
• Automatiser les tâches répétitives à l'aide de macros et de plugins.
• Personnaliser les flux de travail pour répondre aux besoins spécifiques d'analyse d'images dans la recherche biologique.

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 en France (en ligne ou sur site) s'adresse aux développeurs, chercheurs et data scientists de niveau intermédiaire à avancé qui souhaitent apprendre à mettre en œuvre la détection d'objets en temps réel à l'aide de YOLOv7.

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

Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité.

Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST.

Public

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

Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et configuration
• évaluer la qualité du code, effectuer le débogage, la surveillance
• implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter

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 permettant d'évaluer les participants

• 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.

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 France (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.

OpenFace est un logiciel de reconnaissance faciale en temps réel, à code source ouvert, basé sur les recherches FaceNet de Google Python et Torch.

Au cours de cette formation, les participants apprendront à utiliser les composants d'OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale.

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

• Travailler avec les composants d'OpenFace, y compris dlib, OpenVC, Torch, et nn4 pour implémenter la détection, l'alignement et la transformation des visages.
• Appliquer OpenFace à des applications réelles telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification de clients réguliers, etc.

Public

• Développeurs
• Scientifiques des données

Format du cours permettant d'évaluer les participants

• En partie conférence, en partie discussion, exercices et pratique intensive.

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 permettant d'évaluer les participants

• 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 permettant d'évaluer les participants

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

Cette formation en direct, dirigée par un instructeur, présente le logiciel, le matériel et le processus étape par étape nécessaire pour construire un système de reconnaissance faciale à partir de zéro. La reconnaissance faciale est également connue sous le nom de Face Recognition.

Le matériel utilisé dans ce laboratoire comprend le Rasberry Pi, un module caméra, des servos (optionnels), etc. Les participants sont responsables de l'achat de ces composants. Les logiciels utilisés comprennent OpenCV, Linux, Python, etc.

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

• Installer Linux, OpenCV et d'autres logiciels utilitaires et bibliothèques sur un Rasberry Pi.
• Configurer OpenCV pour capturer et détecter des images faciales.
• Comprendre les différentes options de conditionnement d'un système Rasberry Pi pour une utilisation dans des environnements réels.
• Adapter le système à une variété de cas d'utilisation, y compris la surveillance, la vérification d'identité, etc.

Format du cours permettant d'évaluer les participants

• En partie exposé, en partie discussion, exercices et pratique intensive.

Remarque

• D'autres options matérielles et logicielles existent : Arduino, OpenFace, Windows, etc. Si vous souhaitez utiliser l'une de ces options, veuillez nous contacter.

SimpleCV est un framework open source, c'est-à-dire un ensemble de bibliothèques et de logiciels que vous pouvez utiliser pour développer des applications de vision. Il vous permet de travailler avec des images ou des flux vidéo provenant de webcams, de Kinects, de caméras FireWire et IP, ou de téléphones portables. Il vous aide à créer des logiciels qui permettent à vos différentes technologies non seulement de voir le monde, mais aussi de le comprendre.

Public

Ce cours s'adresse aux ingénieurs et aux développeurs qui souhaitent développer des applications de vision artificielle avec SimpleCV.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs back-end et aux scientifiques des données qui souhaitent incorporer des modèles YOLO pré-entraînés dans leurs programmes d'entreprise et mettre en œuvre des composants rentables pour la détection d'objets.

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

• Installer et configurer les outils et bibliothèques nécessaires à la détection d'objets à l'aide de YOLO.
• Personnaliser Python les applications en ligne de commande qui fonctionnent sur la base des modèles pré-entraînés de YOLO.
• Implémenter le cadre des modèles YOLO pré-entraînés 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.