Formation Vision par ordinateur avec SimpleCV

Le SDK CANN (Compute Architecture for Neural Networks) fournit des outils puissants de déploiement et d'optimisation pour les applications d'IA en temps réel dans les domaines de la vision par ordinateur et du TAL, en particulier sur le matériel Huawei Ascend.

Cette formation pratique dirigée par un instructeur (en ligne ou en présentiel) s'adresse aux praticiens de l'IA de niveau intermédiaire qui souhaitent construire, déployer et optimiser des modèles de vision et de langage en utilisant le SDK CANN pour des cas d'utilisation en production.

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

• Déployer et optimiser des modèles de vision par ordinateur et de TAL à l'aide de CANN et d'AscendCL.
• Utiliser les outils CANN pour convertir des modèles et les intégrer dans des pipelines en temps réel.
• Optimiser les performances d'inférence pour des tâches telles que la détection, la classification et l'analyse des sentiments.
• Construire des pipelines de vision par ordinateur et de TAL en temps réel pour des scénarios de déploiement sur edge ou dans le cloud.

Format du cours

• Conférence interactive et démonstration.
• Atelier pratique avec déploiement de modèles et profilage des performances.
• Conception de pipelines en direct en utilisant des cas d'utilisation réels de vision par ordinateur et de TAL.

Options de personnalisation du cours

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

Cette formation en présentiel, animée par un formateur, à Canada (en ligne ou sur site), s'adresse aux développeurs d'IA de niveau intermédiaire et aux ingénieurs en vision par ordinateur souhaitant construire des systèmes visuels robustes pour des applications de conduite autonome.

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

• Comprendre les concepts fondamentaux de la vision par ordinateur dans les véhicules autonomes.
• Mettre en œuvre des algorithmes de détection d'objets, de détection de lignes et de segmentation sémantique.
• Intégrer les systèmes de vision avec les autres sous-systèmes des véhicules autonomes.
• Appliquer des techniques d'apprentissage profond pour des tâches de perception avancées.
• Évaluer la performance des modèles de vision par ordinateur dans des scénarios réels.

Cette formation en direct, animée par un instructeur, en Canada (en ligne ou en présentiel), s'adresse aux professionnels de niveau avancé souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués avec Google Colab.

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

• Créer et entraîner des réseaux neuronaux convolutifs (CNN) avec TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles évolutif et efficace dans le cloud.
• 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 réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct, encadrée par un instructeur, en Canada (en ligne ou sur site), s'adresse aux ingénieurs en vision par ordinateur de niveau intermédiaire à avancé, aux développeurs d'IA et aux professionnels de l'IoT souhaitant implémenter et optimiser des modèles de vision par ordinateur pour le traitement en temps réel sur des appareils périphériques.

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

• Comprendre les fondements de l'IA en périphérie et ses applications dans le domaine de la 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 tels que 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.

Cette formation en direct animée par un formateur en Canada (en ligne ou sur site) s'adresse au personnel des services de police de niveau débutant souhaitant passer du croquis manuel de visages à l'utilisation d'outils d'IA pour développer des systèmes de reconnaissance faciale.

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

• Comprendre les principes fondamentaux de l'Intelligence Artificielle et de l'Apprentissage Automatique.
• Apprendre les bases du traitement numérique des images et leur application dans la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de cadres d'IA pour créer des modèles de reconnaissance faciale.
• Acquérir une expérience pratique dans la création, l'entraînement et les tests de systèmes de reconnaissance faciale.
• Comprendre les considérations éthiques et les bonnes pratiques en matière d'utilisation de la technologie de reconnaissance faciale.

Fiji est un puissant package de traitement d'images open-source qui bundle ImageJ (un programme conçu pour des images scientifiques multidimensionnelles) ainsi qu'une suite complète de plugins pour l'analyse d'images scientifiques.

Dans cette formation live animée par un instructeur, les participants apprendront à exploiter la distribution Fiji et son programme ImageJ sous-jacent pour créer des applications d'analyse d'images robustes.

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

• Utiliser les fonctionnalités de programmation avancées et les composants logiciels de Fiji pour étendre les capacités d'ImageJ
• Assembler de grandes images 3D à partir de tuiles superposées
• Automatiser la mise à jour d'une installation Fiji au démarrage en utilisant le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour construire des solutions d'analyse d'images personnalisées
• Utiliser les puissantes bibliothèques de Fiji, telles que ImgLib, pour traiter efficacement de grands ensembles de données bioimage
• Déployer des applications et collaborer efficacement avec d'autres scientifiques sur des projets similaires

Format de la Formation

• Conférence interactive et discussion
• Nombreux exercices et application pratique
• Mise en œuvre pratique dans un environnement de laboratoire live

Options de Personnalisation de la Formation

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

Cette formation en direct, animée par un formateur, en Canada (en ligne ou en présentiel), s'adresse aux chercheurs et professionnels de laboratoire de niveau débutant à intermédiaire souhaitant traiter et analyser des images liées aux tissus histologiques, aux cellules sanguines, aux algues et à d'autres échantillons biologiques.

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

• Naviguer dans l'interface de Fiji et utiliser les fonctions principales d'ImageJ.
• Prétraiter et améliorer les images scientifiques pour une analyse plus performante.
• Analyser quantitativement les images, y compris le comptage cellulaire et la mesure de surfaces.
• Automatiser les tâches répétitives à l'aide de macros et de plugins.
• Personnaliser les flux de travail pour répondre aux besoins spécifiques de l'analyse d'images en recherche biologique.

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 direct, animée par un formateur à Canada (en ligne ou en présentiel), s’adresse aux ingénieurs en logiciel souhaitant programmer en Python avec OpenCV 4 pour l’apprentissage profond.

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

• Afficher, charger et classifier des images et des vidéos à l’aide d’OpenCV 4.
• Mettre en œuvre 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.

La correspondance de formes est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle permet de déterminer l'existence de caractéristiques précises dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux sur une ligne de production industrielle ou les dimensions spécifiées d'un composant. Elle se distingue de la « reconnaissance de formes » (qui identifie des motifs généraux à partir de grands ensembles d'échantillons connexes) car elle spécifie précisément ce que nous cherchons, puis indique si le motif attendu est présent ou non.

Format du cours

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la correspondance de formes dans le contexte de la vision par machine.

La vision par ordinateur est un domaine qui consiste à extraire, analyser et comprendre automatiquement des informations utiles à partir de médias numériques. Python est un langage de programmation de haut niveau réputé pour sa syntaxe claire et la lisibilité de son code.

Lors de cette formation animée par un instructeur, les participants apprendront les bases de la vision par ordinateur en réalisant pas à pas la création d'un ensemble d'applications simples de vision par ordinateur avec Python.

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

• Comprendre les bases de la vision par ordinateur
• Utiliser Python pour implémenter des tâches de vision par ordinateur
• Construire leurs propres systèmes de détection de visages, d'objets et de mouvements

Audience

• Développeurs Python intéressés par la vision par ordinateur

Format de la formation

• Présentation théorique, discussions, exercices et une forte pratique pratique

Ce cours en direct, dirigé par un formateur, à Canada (en ligne ou sur site), s'adresse aux professionnels de niveau intermédiaire qui souhaitent utiliser Vision Builder AI pour concevoir, mettre en œuvre et optimiser des systèmes d'inspection automatisée pour les procédés SMT (Technologie de montage en surface).

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

• Mettre en place et configurer des inspections automatisées à l'aide de Vision Builder AI.
• Acquérir et prétraiter des images de haute qualité pour analyse.
• Mettre en œuvre des décisions basées sur la logique pour la détection de défauts et la validation des procédés.
• Générer des rapports d'inspection et optimiser les performances du système.

Cette formation live animée par un instructeur en <lieu> (en ligne ou sur site) s'adresse aux développeurs backend et aux scientifiques des données qui souhaitent intégrer des modèles YOLO pré-entraînés dans leurs applications professionnelles et implémenter des composants rentables pour la détection d'objets.

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

• Installer et configurer les outils et bibliothèques nécessaires à la détection d'objets avec YOLO.
• Personnaliser des applications en ligne de commande Python basées sur des modèles pré-entraînés YOLO.
• Implémenter le framework de modèles YOLO pré-entraînés pour divers projets de vision par ordinateur.
• Convertir les jeux 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 direct, animée par un formateur dans Canada (en ligne ou sur site), s'adresse aux développeurs, chercheurs et scientifiques des données de niveau intermédiaire à avancé qui souhaitent apprendre à implémenter la détection d'objets en temps réel à l'aide de YOLOv7.

À la fin de cette formation, les participants seront en mesure 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 à l'aide de YOLOv7.
• Intégrer YOLOv7 avec d'autres frameworks et outils de vision par ordinateur.
• Dépanner les problèmes courants liés à l'implémentation de YOLOv7.