Formation YOLOv7 : Détection d'objets en temps réel avec la vision par ordinateur

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

Cette formation en direct (en ligne ou sur site) est destinée aux agents de police débutants qui souhaitent passer des croquis manuels de visages à l'utilisation d'outils basés sur l'intelligence artificielle pour développer des systèmes de reconnaissance faciale.

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

• Comprendre les fondamentaux de l'Intelligence Artificielle et de l'apprentissage automatique.
• Apprendre les bases du traitement d'image numérique et son application dans la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de cadres basés sur l'IA pour créer des modèles de reconnaissance faciale.
• Acquérir une expérience pratique en créant, formant et testant des systèmes de reconnaissance faciale.
• Comprendre les considérations éthiques et les meilleures pratiques dans l'utilisation de la technologie de reconnaissance faciale.

Fiji est un logiciel libre de traitement d'images qui regroupe ImageJ (un programme de traitement d'images multidimensionnelles scientifiques) et un certain nombre de plugins pour l'analyse d'images scientifiques.

Au cours de cette formation, les participants apprendront à utiliser la distribution Fiji et le programme ImageJ sous-jacent pour créer une application d'analyse d'images.

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

• Utiliser les fonctions de programmation avancées et les composants logiciels de Fiji pour étendre ImageJ
• Assembler de grandes images 3D à partir de tuiles qui se chevauchent
• Mettre à jour automatiquement une installation de Fiji au démarrage en utilisant le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour créer des solutions d'analyse d'images personnalisées.
• utiliser les puissantes bibliothèques de Fiji, telles que ImgLib, pour les grands ensembles de données d'imagerie biologique
• Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires.

Format du cours

• Exposé et discussion interactifs.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement live-lab.

Options de personnalisation du cours

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

Cette formation en direct (en ligne ou sur site) dispensée par un formateur est destinée aux chercheurs et professionnels de laboratoire de niveau débutant à intermédiaire qui souhaitent traiter et analyser des images liées aux tissus histologiques, aux cellules sanguines, aux algues et autres échantillons biologiques.

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

• Naviguer dans l'interface de Fiji et utiliser les fonctions principales d’ImageJ.
• Prétraiter et améliorer des images scientifiques pour une meilleure analyse.
• Analyser des images de manière quantitative, y compris le comptage cellulaire et la mesure des surfaces.
• Automatiser les tâches répétitives en utilisant des macros et des plugins.
• Personnaliser les workflows pour répondre aux besoins spécifiques d'analyse d’images dans la 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 Canada (en ligne ou sur site) s'adresse 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 :

• Visualiser, charger et classifier des images et des vidéos en OpenCV 4.
• Mettre en œuvre l'apprentissage profond en OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

OpenFace est un logiciel de reconnaissance faciale en temps réel, à code source ouvert, basé sur les recherches FaceNet de Google Python et Torch.

Au cours de cette formation, les participants apprendront à utiliser les composants d'OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale.

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

• Travailler avec les composants d'OpenFace, y compris dlib, OpenVC, Torch, et nn4 pour implémenter la détection, l'alignement et la transformation des visages.
• Appliquer OpenFace à des applications réelles telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification de clients réguliers, etc.

Public

• Développeurs
• Scientifiques des données

Format du cours

• En partie conférence, en partie discussion, exercices et pratique intensive.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle 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 recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

[L'informatique est un domaine qui consiste à extraire, analyser et comprendre automatiquement des informations utiles à partir de supports numériques. Le Python est un langage de programmation de haut niveau réputé pour sa syntaxe claire et la lisibilité de son code.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront les bases de Computer Vision en créant un ensemble d'applications Computer Vision simples à l'aide de Python.

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

• Comprendre les bases de Computer Vision
• Utiliser Python pour implémenter des tâches Computer Vision
• Construire leurs propres systèmes de détection de visages, d'objets et de mouvements

Public

• Programmeurs Python intéressés par Computer Vision

Format du cours

• Cours combinant exposés théoriques, discussions, exercices et une pratique intensive

Cette formation en direct, dirigée par un instructeur, présente le logiciel, le matériel et le processus étape par étape nécessaire pour construire un système de reconnaissance faciale à partir de zéro. La reconnaissance faciale est également connue sous le nom de Face Recognition.

Le matériel utilisé dans ce laboratoire comprend le Rasberry Pi, un module caméra, des servos (optionnels), etc. Les participants sont responsables de l'achat de ces composants. Les logiciels utilisés comprennent OpenCV, Linux, Python, etc.

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

• Installer Linux, OpenCV et d'autres logiciels utilitaires et bibliothèques sur un Rasberry Pi.
• Configurer OpenCV pour capturer et détecter des images faciales.
• Comprendre les différentes options de conditionnement d'un système Rasberry Pi pour une utilisation dans des environnements réels.
• Adapter le système à une variété de cas d'utilisation, y compris la surveillance, la vérification d'identité, etc.

Format du cours

• En partie exposé, en partie discussion, exercices et pratique intensive.

Remarque

• D'autres options matérielles et logicielles existent : Arduino, OpenFace, Windows, etc. Si vous souhaitez utiliser l'une de ces options, veuillez nous contacter.

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 des images ou des flux vidéo provenant de webcams, de Kinects, de caméras FireWire et IP, ou de téléphones portables. Il vous aide à créer des logiciels qui permettent à vos différentes technologies non seulement de voir le monde, mais aussi de le comprendre.

Public

Ce cours s'adresse aux ingénieurs et aux développeurs qui souhaitent développer des applications de vision artificielle avec SimpleCV.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels intermédiaires souhaitant utiliser Vision Builder AI pour concevoir, mettre en œuvre et optimiser des systèmes d'inspection automatisés destinés aux processus SMT (Surface-Mount Technology).

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

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

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.