Les formations Computer Vision

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 est un framework de traitement d'images et de vidéos vidéo extensible, multiplate-forme et à code source ouvert, développé en Java . Les développeurs peuvent utiliser Marvin pour manipuler des images, extraire des fonctionnalités d’images pour des tâches de classification, générer des figures par algorithme, traiter des ensembles de données de fichiers vidéo et configurer l’automatisation du test unitaire.

Certaines des applications vidéo de Marvin incluent le filtrage, la réalité augmentée, le suivi d'objets et la détection de mouvement.

Dans ce cours en direct animé par un instructeur, les participants apprendront les principes de l'analyse d'images et de vidéos et utiliseront le framework Marvin et ses algorithmes de traitement d'images pour créer leur propre application.

Format du cours

- Les principes de base de l'analyse d'images, l'analyse vidéo et le framework Marvin sont d'abord présentés. Les étudiants reçoivent des tâches basées sur des projets qui leur permettent de mettre en pratique les concepts appris. À la fin du cours, les participants auront développé leur propre application à l'aide du framework Marvin et des bibliothèques.

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

Public

Ce cours est destiné aux ingénieurs et architectes qui souhaitent utiliser OpenCV pour des projets de vision par ordinateur

OpenCV is a library of programming functions for deciphering images with computer algorithms. OpenCV 4 is the latest OpenCV release and it provides optimized modularity, updated algorithms, and more. With OpenCV 4 and Python, users will be able to view, load, and classify images and videos for advanced image recognition.

This instructor-led, live training (online or onsite) is aimed at software engineers who wish to program in Python with OpenCV 4 for deep learning.

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

- View, load, and classify images and videos using OpenCV 4.
- Implement deep learning in OpenCV 4 with TensorFlow and Keras.
- Run deep learning models and generate impactful reports from images and videos.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

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

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 .

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 .

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 .

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.

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.

Video analytics refers to the technology and techniques used to process a video stream. A common application would be capturing and identifying live video events through motion detection, facial recognition, crowd and vehicle counting, etc.

This instructor-led, live training (online or onsite) is aimed at developers who wish to build hardware-accelerated object detection and tracking models to analyze streaming video data.

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

- Install and configure the necessary development environment, software and libraries to begin developing.
- Build, train, and deploy deep learning models to analyze live video feeds.
- Identify, track, segment and predict different objects within video frames.
- Optimize object detection and tracking models.
- Deploy an intelligent video analytics (IVA) application.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

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

YOLO (You Only Look Once) is an algorithm turned into pre-trained models for object detection. It is tested by the Darknet neural network framework, making it ideal for developing computer vision features based on the COCO (Common Objects in Context) dataset. The latest variants of the YOLO framework, YOLOv3-v4, allows programs to efficiently execute object locating and classifying tasks while running in real-time.

This instructor-led, live training (online or onsite) is aimed at backend developers and data scientists who wish to incorporate pre-trained YOLO models into their enterprise-driven programs and implement cost-effective components for object-detection.

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

- Install and configure the necessary tools and libraries required in object detection using YOLO.
- Customize Python command-line applications that operate based on YOLO pre-trained models.
- Implement the framework of pre-trained YOLO models for various computer vision projects.
- Convert existing datasets for object detection into YOLO format.
- Understand the fundamental concepts of the YOLO algorithm for computer vision and/or deep learning.

Format of the Course

- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.

Course Customization Options

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