Les formations Computer Vision

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 les images ou les flux vidéo provenant de webcams, de caméras Kinect, FireWire et IP ou de téléphones mobiles. Il vous aide à créer des logiciels pour que vos différentes technologies non seulement voient le monde, mais le comprennent aussi.

Public

Ce cours est destiné aux ingénieurs et aux développeurs souhaitant développer des applications de vision par ordinateur avec SimpleCV.

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

Marvin is an extensible, cross-platform, open-source image and video processing framework developed in Java. Developers can use Marvin to manipulate images, extract features from images for classification tasks, generate figures algorithmically, process video file datasets, and set up unit test automation.

Some of Marvin's video applications include filtering, augmented reality, object tracking and motion detection.

In this instructor-led, live course participants will learn the principles of image and video analysis and utilize the Marvin Framework and its image processing algorithms to construct their own application.

Format of the Course

- The basic principles of image analysis, video analysis and the Marvin Framework are first introduced. Students are given project-based tasks which allow them to practice the concepts learned. By the end of the class, participants will have developed their own application using the Marvin Framework and libraries.

Computer Vision est un domaine qui consiste à extraire, analyser et comprendre automatiquement des informations utiles à partir des médias numériques Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et sa lisibilité Dans cette formation en ligne, les participants apprendront les bases de la vision par ordinateur au fur et à mesure de la création d'un ensemble d'applications simples de Computer Vision utilisant Python À la fin de cette formation, les participants seront en mesure de: Comprendre les bases de la vision par ordinateur Utiliser Python pour implémenter des tâches Computer Vision Construire son propre système de détection de visage, d'objet et de mouvement Public Programmeurs Python intéressés par Computer Vision Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique. Il utilise des méthodes basées sur l'apprentissage de représentations de données et de structures telles que les réseaux de neurones.

Keras est une API de réseaux de neurones de haut niveau permettant un développement et une expérimentation rapides. Il fonctionne sur TensorFlow , CNTK ou CNTK .

Cette formation en direct animée par un instructeur (sur site ou à distance) est destinée aux développeurs qui souhaitent construire une voiture autonome en utilisant des techniques d'apprentissage en profondeur.

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

- Utiliser des techniques de vision par ordinateur pour identifier les voies.
- Utilisez Keras pour construire et former des réseaux de neurones convolutionnels.
- Former un modèle d'apprentissage en profondeur pour différencier les panneaux de signalisation.
- Simulez une voiture entièrement autonome.

Format du cours

- Conférence interactive et discussion.
- Beaucoup d'exercices et de pratique.
- Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation du cours

- Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.

L'analyse vidéo se réfère à la technologie et aux techniques utilisées pour traiter un flux vidéo. Une application commune serait de capturer et d’identifier les événements vidéo en direct à travers la détection du mouvement, la reconnaissance du visage, la foule et le nombre de véhicules, etc.

Cette formation guidée par l'instructeur, en direct (online ou sur site) est destinée aux développeurs qui souhaitent construire des modèles de détection d'objets accélérés par matériel et de suivi pour analyser les données vidéo en streaming.

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

Installer et configurer l’environnement de développement, le logiciel et les bibliothèques nécessaires pour commencer à se développer. Construisez, formez et déployez des modèles d’apprentissage profond pour analyser les feeds vidéo en direct. Identifier, suivre, segmenter et prédire différents objets dans les cadres vidéo. Optimiser la détection d’objets et les modèles de suivi. Déployer une application d’analyse vidéo intelligente (IVA).

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

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

YOLO (You Only Look Once) est un algorithme transformé en modèles pré-entraînés pour la détection d’objets. Il est testé par le cadre réseau neurale de Darknet, ce qui le rend idéal pour développer des fonctionnalités de vision informatique basées sur le ensemble de données COCO (objets communs dans le contexte). Les dernières variantes du cadre YOLO, YOLOv3-v4, permettent aux programmes d’exécuter efficacement les tâches de localisation et de classification d’objets tout en fonctionnant en temps réel.

Cette formation guidée par les instructeurs, en direct (online ou sur site) vise les développeurs et les scientifiques de données qui souhaitent incorporer des modèles YOLO pré-entraînés dans leurs programmes menés par l'entreprise et mettre en œuvre des composants rentables pour la détection d'objets.

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

Installer et configurer les outils et bibliothèques nécessaires dans la détection d'objets en utilisant YOLO. Customize Python applications de ligne de commande qui fonctionnent sur la base de modèles YOLO pré-entraînés. Implémenter le cadre des modèles YOLO pré-entraînés pour divers projets de vision informatique. Convertir les données existantes pour la détection d'objets dans le format YOLO. Comprendre les concepts fondamentaux de l’algorithme YOLO pour la vision informatique et/ou l’apprentissage profond.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

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

La correspondance de motifs est une technique utilisée pour localiser les motifs spécifiés dans une image. Il peut être utilisé pour déterminer l'existence de caractéristiques spécifiées dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une ligne d'usine ou les dimensions spécifiées d'un composant. Il est différent de " Pattern Recognition " (qui reconnaît les modèles généraux basés sur des collections plus importantes d'échantillons connexes) en ce qu'il 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 correspondance de modèles tel qu'il s'applique à la Machine Vision .

OpenCV (Open Source Computer Vision Library: http://opencv.org) is an open-source BSD-licensed library that includes several hundreds of computer vision algorithms.

Audience

This course is directed at engineers and architects seeking to utilize OpenCV for computer vision projects

Cette formation en ligne, introduite, présente le logiciel, le matériel et le processus stepbystep nécessaires pour construire un système de reconnaissance faciale à partir de zéro La reconnaissance faciale est également connue sous le nom de reconnaissance faciale Le matériel utilisé dans ce laboratoire comprend Rasberry Pi, un module de caméra, des servos (en option), etc Les participants sont responsables de l'achat de ces composants eux-mêmes Le logiciel utilisé comprend OpenCV, Linux, Python, etc À la fin de cette formation, les participants seront en mesure de: Installez Linux, OpenCV et d'autres utilitaires et bibliothèques de logiciels sur un Rasberry Pi Configurez OpenCV pour capturer et détecter les images faciales Comprendre les différentes options pour l'emballage d'un système Rasberry Pi pour une utilisation dans des environnements réels Adapter le système pour une variété de cas d'utilisation, y compris la surveillance, la vérification d'identité, etc Public Développeurs Techniciens en matériel / logiciel Des personnes techniques dans toutes les industries Amateurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Les autres options matérielles et logicielles incluent: Arduino, OpenFace, Windows, etc Si vous souhaitez utiliser l'un d'entre eux, veuillez nous contacter pour organiser .

OpenCV est une bibliothèque de fonctionnalités de programmation pour déchiffrer des images avec des algorithmes informatiques. OpenCV 4 est la dernière version OpenCV et offre une modularité optimisée, des algorithmes mis à jour et plus encore. Avec OpenCV 4 et Python, les utilisateurs seront en mesure de voir, charger et classifier les images et les vidéos pour la reconnaissance d'image avancée.

Cette formation guidée par l'instructeur, en direct (online ou sur site) est destinée aux ingénieurs logiciels qui souhaitent programmer dans Python avec OpenCV 4 pour l'apprentissage profond.

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

Voir, charger et classifier les images et les vidéos en utilisant OpenCV 4. Il s’agit de l’apprentissage de l’apprentissage de l’apprentissage de l’apprentissage de l’apprentissage de l’apprentissage de l’apprentissage de l’apprentissage. Exécuter des modèles d’apprentissage profond et générer des rapports impactants à partir de images et de vidéos.

Le format du cours

Lecture et discussion interactives. Beaucoup d’exercices et de pratiques. La mise en œuvre dans un environnement de laboratoire en direct.

Options de personnalisation de cours

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