Formation Marvin Framework for Image and Video Processing

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 .

Fidji est un logiciel de traitement d'image opensource qui regroupe ImageJ (un programme de traitement d'images pour des images scientifiques multidimensionnelles) et un certain nombre de plugins pour l'analyse d'images scientifiques Dans cette formation en ligne, les participants apprendront comment utiliser la distribution fidjienne et son programme ImageJ sous-jacent pour créer une application d'analyse d'image À la fin de cette formation, les participants seront en mesure de: Utilisez les fonctions de programmation avancées et les composants logiciels des Fidji pour étendre ImageJ Assembler de grandes images 3D à partir de mosaïques superposées Mettre à jour automatiquement une installation Fidji au démarrage en utilisant le système de mise à jour intégré Choisissez parmi une large sélection de langages de script pour créer des solutions d'analyse d'image personnalisées Utilisez les bibliothèques puissantes des Fidji, comme ImgLib sur de grands ensembles de données de bio-images Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires Public Scientifiques Des chercheurs Développeurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

PaddlePaddle (PArallel Distributed Deep LEarning) est une plateforme d'apprentissage en profondeur évolutive développée par Baidu Dans cette formation en ligne, les participants apprendront comment utiliser PaddlePaddle pour permettre un apprentissage approfondi dans leurs applications de produits et de services À la fin de cette formation, les participants seront en mesure de: Configurer et configurer PaddlePaddle Configurer un réseau neuronal convolutif (CNN) pour la reconnaissance d'image et la détection d'objets Mettre en place un réseau neuronal récurrent (RNN) pour l'analyse des sentiments Mettre en place un apprentissage en profondeur sur les systèmes de recommandation pour aider les utilisateurs à trouver des réponses Prédisez les taux de clics (CTR), classifiez les ensembles d'images à grande échelle, effectuez la reconnaissance optique des caractères (OCR), effectuez des recherches de classement, détectez les virus informatiques et implémentez un système de recommandation Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Scilab est un langage de haut niveau bien développé, gratuit et open source pour la manipulation de données scientifiques. Utilisée pour les statistiques, les graphiques et l’animation, la simulation, le traitement du signal, la physique, l’optimisation, etc., sa structure de données centrale est la matrice, simplifiant de nombreux types de problèmes par rapport à d’autres solutions telles que les dérivés FORTRAN et C. Il est compatible avec des langages tels que C, Java et Python , ce qui en fait un complément aux systèmes existants.

Au cours de cette formation dirigée par un instructeur, les participants découvriront les avantages de Scilab par rapport à des alternatives telles que Matlab, les bases de la syntaxe Scilab , ainsi que certaines fonctions avancées et une interface avec d’autres langages largement utilisés, en fonction de la demande. Le cours se terminera par un bref projet axé sur le traitement d'images.

À la fin de cette formation, les participants maîtriseront les fonctions de base et certaines fonctions avancées de Scilab , ainsi que les ressources nécessaires pour continuer à élargir leurs connaissances.

Public

• Scientifiques et ingénieurs spécialisés dans les données, particulièrement intéressés par le traitement d'images et la reconnaissance faciale

Format du cours

• Partie conférence, partie discussion, exercices et exercices pratiques intensifs, avec un projet final

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

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 direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent construire une voiture autonome à l'aide de techniques d'apprentissage en profondeur.

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

• Utiliser Keras pour construire et entraîner un réseau neuronal convolutif.
• Utiliser des techniques de vision par ordinateur pour identifier les voies dans un projet de conduite autonome.
• Entraîner un modèle d'apprentissage profond pour différencier les panneaux de signalisation.
• Simuler une voiture entièrement autonome.

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.