Formation Deep Learning for Self Driving Cars

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 architectes cherchant à utiliser OpenCV pour des projets de vision par ordinateur.

Cette formation en <loc> ; (en ligne ou sur site) est destinée 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 :

• Voir, charger et classer des images et des vidéos en utilisant OpenCV 4.
• Implémenter l'apprentissage profond dans OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

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 .

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 .

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux personnes techniques qui souhaitent appliquer un modèle d'apprentissage profond à des applications de reconnaissance d'images.

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

• Installer et configurer Keras.
• Prototyper rapidement des modèles d'apprentissage profond.
• Implémenter un réseau convolutif.
• Implémenter un réseau récurrent.
• Exécuter un modèle d'apprentissage profond à la fois sur un CPU et un GPU.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs logiciels qui souhaitent développer des réseaux neuronaux d'apprentissage profond avancés et des modèles à l'aide de Keras et Python.

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

• Appliquer l'apprentissage profond avec des méthodes d'apprentissage supervisées ou non supervisées.
• Développer, former et mettre en œuvre des réseaux neuronaux concurrents et des réseaux neuronaux récurrents.
• Utiliser Keras et Python pour construire des modèles d'apprentissage profond afin de résoudre des problèmes impliquant des images, du texte, du son, et plus encore.

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.

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 .

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.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent créer des modèles de détection et de suivi d'objets accélérés par le matériel pour analyser les données vidéo en continu.

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

• Installer et configurer l'environnement de développement, les logiciels et les bibliothèques nécessaires pour commencer à développer.
• Construire, entraîner et déployer des modèles d'apprentissage profond pour analyser les flux vidéo en direct.
• Identifier, suivre, segmenter et prédire différents objets dans les images vidéo.
• Optimiser les modèles de détection et de suivi des objets.
• Déployer une application d'analyse vidéo intelligente (IVA).

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.

Cette formation en <loc> ; (en ligne ou sur site) est destinée 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 l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de la détection d'objets.
• Installer et configurer YOLOv7 pour les tâches de détection d'objets.
• Former et tester des modèles de détection d'objets personnalisés à l'aide de YOLOv7.
• Intégrer YOLOv7 avec d'autres cadres et outils de vision par ordinateur.
• Dépanner les problèmes courants liés à l'implémentation de YOLOv7.