Cursos de Marco de Procesamiento de Imagen de Marvin - Creando Aplicaciones de Procesamiento de Imágenes y Video con Marvin

OpenCV (Open Source Computer Vision Library: http://opencv.org) es una biblioteca de código abierto con licencia BSD que incluye varios cientos de algoritmos de visión artificial.

Audiencia

Este curso está dirigido a ingenieros y arquitectos que buscan utilizar OpenCV para proyectos de visión por computadora

Esta capacitación en vivo dirigida por un instructor en Colombia (en línea o en el sitio) está dirigida a ingenieros de software que deseen programar en Python con OpenCV 4 para el aprendizaje profundo.

Al final de esta capacitación, los participantes serán capaces de:

• Vea, cargue y clasifique imágenes y vídeos con OpenCV 4.
• Implemente el aprendizaje profundo en OpenCV 4 con TensorFlow y Keras.
• Ejecute modelos de aprendizaje profundo y genere informes impactantes a partir de imágenes y vídeos.

Este entrenamiento en vivo, dirigido por un instructor, presenta el software, el hardware y el proceso paso a paso necesarios para construir un sistema de reconocimiento facial desde cero.

El hardware utilizado en este laboratorio incluye Rasberry Pi, un módulo de cámara, servos (opcional), etc. Los participantes son responsables de comprar estos componentes ellos mismos. El software utilizado incluye OpenCV, Linux, Python, etc.

Al final de esta capacitación, los participantes podrán:

• Instale Linux, OpenCV y otras utilidades de software y bibliotecas en un Rasberry Pi.
• Configure OpenCV para capturar y detectar imágenes faciales.
• Comprenda las diversas opciones para empaquetar un sistema Rasberry Pi para su uso en entornos del mundo real.
• Adapte el sistema para una variedad de casos de uso, incluida la vigilancia, la verificación de identidad, etc.

Audiencia

• Desarrolladores
• Técnicos de hardware / software
• Personas técnicas en todas las industrias
• Aficionados

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

Nota

• Otras opciones de hardware y software incluyen: Arduino, OpenFace, Windows, etc. Si desea utilizar alguno de estos, contáctenos para organizarlo.

La coincidencia de patrones es una técnica utilizada para localizar patrones específicos dentro de una imagen. Se puede usar para determinar la existencia de características específicas dentro de una imagen capturada, por ejemplo, la etiqueta esperada en un producto defectuoso en una línea de fábrica o las dimensiones especificadas de un componente. Es diferente de "Reconocimiento de patrones" (que reconoce patrones generales basados en colecciones más grandes de muestras relacionadas) en el sentido de que dicta específicamente lo que estamos buscando, y luego nos dice si el patrón esperado existe o no.

Audiencia

•      Ingenieros y desarrolladores que buscan desarrollar aplicaciones de visión artificial
•      Ingenieros de fabricación, técnicos y gerentes

Formato del curso

•      Este curso presenta los enfoques, las tecnologías y los algoritmos utilizados en el campo de la coincidencia de patrones tal como se aplica a la Visión artificial.

Fiji es un paquete de procesamiento de imágenes de código abierto que agrupa ImageJ (un programa de procesamiento de imágenes científicas multidimensionales) y una serie de complementos para el análisis de imágenes científicas.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar la distribución de Fiji y su programa subyacente ImageJ para crear una aplicación de análisis de imágenes.

Al final de esta capacitación, los participantes podrán:

• Utilice las características de programación avanzadas y los componentes de software de Fiji para ampliar ImageJ
• Sujete imágenes tridimensionales grandes de mosaicos superpuestos
• Actualice automáticamente una instalación de Fiji en el arranque utilizando el sistema de actualización integrado
• Seleccione entre una amplia selección de lenguajes de scripting para crear soluciones de análisis de imágenes personalizadas
• Utilice las poderosas bibliotecas de Fiji, como ImgLib en grandes conjuntos de datos de bioimagen
• Implemente su aplicación y colabore con otros científicos en proyectos similares

Audiencia

• Científicos
• Investigadores
• Desarrolladores

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios.

Al final de esta capacitación, los participantes podrán:

• Configurar y configurar PaddlePaddle
• Configure una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos
• Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos
• Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas
• Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones.

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

Scilab es un lenguaje de alto nivel bien desarrollado, gratuito y de código abierto para la manipulación de datos científicos. Utilizado para estadísticas, gráficos y animación, simulación, procesamiento de señales, física, optimización y más, su estructura de datos central es la matriz, lo que simplifica muchos tipos de problemas en comparación con alternativas como FORTRAN y derivados C. Es compatible con lenguajes como C, Java y Python, por lo que es adecuado como un complemento de los sistemas existentes.

En esta capacitación dirigida por un instructor, los participantes aprenderán las ventajas de Scilab en comparación con alternativas como Matlab, los principios básicos de la sintaxis de Scilab, así como algunas funciones avanzadas, y la interfaz con otros lenguajes ampliamente utilizados, según la demanda. El curso concluirá con un breve proyecto centrado en el procesamiento de imágenes.

Al final de esta capacitación, los participantes comprenderán las funciones básicas y algunas funciones avanzadas de Scilab y tendrán los recursos para continuar expandiendo su conocimiento.

Audiencia

• Científicos e ingenieros de datos, especialmente con interés en el procesamiento de imágenes y el reconocimiento facial

Formato del curso

• Conferencia parcial, discusión parcial, ejercicios y práctica práctica intensiva, con un proyecto final

Caffe es un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente.

Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo

Audiencia

Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco.

Después de completar este curso, los delegados podrán:

• entender la estructura de Caffe y los mecanismos de despliegue
• llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración
• evaluar la calidad del código, realizar depuración, monitoreo
• implementar la producción avanzada como modelos de entrenamiento, implementación de capas y registro

Computer Vision es un campo que consiste en extraer, analizar y comprender automáticamente información útil de los medios digitales. Python es un lenguaje de programación de alto nivel famoso por su claridad de sintaxis y código.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán los conceptos básicos de Computer Vision mientras avanzan en la creación del conjunto de aplicaciones simples de Computer Vision utilizando Python.

Al final de esta capacitación, los participantes podrán:

• Comprenda los conceptos básicos de Computer Vision
• Use Python para implementar tareas de Visión por computadora
• Construye sus propios sistemas de detección de rostro, objeto y movimiento

Audiencia

• Programadores de Python interesados en Computer Vision

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

Esta capacitación en vivo dirigida por un instructor en Colombia (en línea o en el sitio) está dirigida a desarrolladores que desean construir un automóvil autónomo utilizando técnicas de aprendizaje profundo.

Al final de esta capacitación, los participantes serán capaces de:

• Utilice Keras para crear y entrenar una red neuronal convolucional.
• Utilice técnicas de visión artificial para identificar carriles en un proyecto de conducción autónoma.
• Entrene un modelo de aprendizaje profundo para diferenciar las señales de tráfico.
• Simula un coche totalmente autónomo.

SimpleCV es un framework de código abierto, lo que significa que es una colección de bibliotecas y software que puede usar para desarrollar aplicaciones de visión. Le permite trabajar con las imágenes o secuencias de vídeo que provienen de cámaras web, Kinects, FireWire y cámaras IP, o teléfonos móviles. Le ayuda a crear software para que sus diversas tecnologías no solo vean el mundo, sino que lo entiendan también.

Audiencia

Este curso está dirigido a ingenieros y desarrolladores que busquen desarrollar aplicaciones de visión artificial con SimpleCV.

Esta capacitación en vivo dirigida por un instructor en Colombia (en línea o en el sitio) está dirigida a desarrolladores que desean crear modelos de detección y seguimiento de objetos acelerados por hardware para analizar datos de transmisión de video.

Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure el entorno de desarrollo, el software y las bibliotecas necesarias para comenzar a desarrollar.
• Cree, entrene e implemente modelos de aprendizaje profundo para analizar transmisiones de video en vivo.
• Identifique, rastree, segmente y prediga diferentes objetos dentro de los fotogramas de video.
• Optimice los modelos de detección y seguimiento de objetos.
• Implemente una aplicación de análisis de vídeo inteligente (IVA).

Esta capacitación en vivo dirigida por un instructor en Colombia (en línea o en el sitio) está dirigida a desarrolladores de back-end y científicos de datos que deseen incorporar modelos YOLO previamente entrenados en sus programas impulsados por la empresa e implementar componentes rentables para la detección de objetos.

Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure las herramientas y bibliotecas necesarias para la detección de objetos mediante YOLO.
• Personalice Python las aplicaciones de línea de comandos que funcionan en función de modelos previamente entrenados de YOLO.
• Implementar el marco de los modelos YOLO preentrenados para varios proyectos de visión artificial.
• Convierta los conjuntos de datos existentes para la detección de objetos en formato YOLO.
• Comprender los conceptos fundamentales del algoritmo YOLO para visión por computador y/o aprendizaje profundo.

Esta capacitación en vivo dirigida por un instructor en Colombia (en línea o en el sitio) está dirigida a desarrolladores, investigadores y científicos de datos de nivel intermedio a avanzado que deseen aprender a implementar la detección de objetos en tiempo real utilizando YOLOv7.

Al final de esta capacitación, los participantes serán capaces de:

• Comprender los conceptos fundamentales de la detección de objetos.
• Instale y configure YOLOv7 para tareas de detección de objetos.
• Entrene y pruebe modelos de detección de objetos personalizados con YOLOv7.
• Integre YOLOv7 con otros marcos y herramientas de visión artificial.
• Solucionar problemas comunes relacionados con la implementación de YOLOv7.