Visión artificial con SimpleCV

El CANN SDK (Compute Architecture for Neural Networks) ofrece herramientas potentes de implementación y optimización para aplicaciones de inteligencia artificial en tiempo real, especialmente en el ámbito de la visión por computadora y el procesamiento del lenguaje natural, diseñadas para funcionar con hardware Huawei Ascend.

Este entrenamiento, dirigido tanto en línea como presencialmente, está orientado a profesionales de IA de nivel intermedio que deseen construir, implementar y optimizar modelos de visión y lenguaje utilizando el CANN SDK para casos de uso en producción.

Al final del entrenamiento, los participantes serán capaces de:

• Implementar y optimizar modelos de visión por computadora y procesamiento del lenguaje natural usando CANN y AscendCL.
• Utilizar las herramientas de CANN para convertir los modelos e integrarlos en flujos de trabajo en vivo.
• Mejorar el rendimiento de la inferencia para tareas como detección, clasificación y análisis de sentimientos.
• Crear flujos de trabajo de visión por computadora y procesamiento del lenguaje natural en tiempo real para escenarios de implementación tanto en el borde como en la nube.

Formato del Curso

• Sesiones interactivas con presentaciones y demostraciones.
• Laboratorios prácticos para implementar modelos y analizar el rendimiento.
• Diseño de flujos de trabajo en vivo utilizando casos de uso reales de visión por computadora y procesamiento del lenguaje natural.

Opciones de Personalización del Curso

• Para solicitar un entrenamiento personalizado para este curso, por favor contáctenos para realizar los arreglos necesarios.

Este curso dirigido por un instructor y en vivo en Colombia (en línea o presencial) está destinado a desarrolladores de IA y ingenieros de visión por computadora de nivel intermedio que deseen construir sistemas de visión robustos para aplicaciones de conducción autónoma.

Al finalizar este curso, los participantes serán capaces de:

• Comprender los conceptos fundamentales de la visión por computadora en vehículos autónomos.
• Implementar algoritmos para detección de objetos, detección de carriles y segmentación semántica.
• Integrar sistemas de visión con otros subsistemas del vehículo autónomo.
• Aplicar técnicas de aprendizaje profundo para tareas avanzadas de percepción.
• Evaluar el rendimiento de los modelos de visión por computadora en escenarios del mundo real.

Esta capacitación dirigida por un instructor (en línea o en sitio) está destinada a profesionales de nivel avanzado que deseen profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos de visión sofisticados utilizando Google Colab.

Al final de esta capacitación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNNs) usando TensorFlow.
• Aprovechar Google Colab para el desarrollo de modelos en la nube escalable y eficiente.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Usar el aprendizaje por transferencia para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Esta formación en vivo, dirigida por un instructor en Colombia (en línea o presencial), está orientada a ingenieros de visión por computadora de nivel intermedio y avanzado, desarrolladores de IA y profesionales de IoT que desean implementar y optimizar modelos de visión por computadora para el procesamiento en tiempo real en dispositivos edge.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de la IA Edge y sus aplicaciones en visión por computadora.
• Implementar modelos de aprendizaje profundo optimizados en dispositivos edge para el análisis de imágenes y videos en tiempo real.
• Utilizar frameworks como TensorFlow Lite, OpenVINO y NVIDIA Jetson SDK para la implementación de modelos.
• Optimizar modelos de IA para rendimiento, eficiencia energética e inferencia de baja latencia.

Esta formación en vivo dirigida por un instructor en Colombia (en línea o presencial) está destinada a personal de aplicación de la ley principiante que desea pasar de los bocetos faciales manuales al uso de herramientas de Inteligencia Artificial para desarrollar sistemas de reconocimiento facial.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de la Inteligencia Artificial y el Aprendizaje Automático.
• Adquirir conocimientos básicos sobre el procesamiento digital de imágenes y su aplicación en el reconocimiento facial.
• Desarrollar habilidades para usar herramientas e frameworks de IA para crear modelos de reconocimiento facial.
• Obtener experiencia práctica en la creación, entrenamiento y prueba de sistemas de reconocimiento facial.
• Comprender las consideraciones éticas y las mejores prácticas en el uso de tecnología de reconocimiento facial.

Fiji es un paquete de procesamiento de imágenes de código abierto que integra ImageJ (un software de procesamiento de imágenes científicas multidimensionales) junto con una serie de complementos para el análisis científico de imágenes.

En este entrenamiento dirigido por un instructor, los participantes aprenderán a utilizar la distribución Fiji y su programa subyacente ImageJ para desarrollar una aplicación de análisis de imágenes.

Al finalizar este curso, los participantes serán capaces de:

• Utilizar las avanzadas características de programación y componentes de software de Fiji para expandir la funcionalidad de ImageJ
• Combinar grandes imágenes 3D a partir de mosaicos superpuestos
• Actualizar automáticamente una instalación de Fiji al iniciar, gracias al sistema de actualización integrado
• Elegir entre una amplia variedad de lenguajes de scripting para crear soluciones personalizadas de análisis de imágenes
• Utilizar las poderosas bibliotecas de Fiji, como ImgLib, en conjuntos de datos de bioimágenes de gran tamaño
• Desplegar su aplicación y colaborar con otros científicos en proyectos similares

Formato del Curso

• Conferencia interactiva y discusión.
• Numerosos ejercicios y práctica.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de Personalización del Curso

• Para solicitar un entrenamiento personalizado para este curso, por favor contáctenos para organizarlo.

Esta formación dirigida por instructores (en línea o presencial) está orientada a investigadores y profesionales de laboratorio de nivel principiante a intermedio que deseen procesar y analizar imágenes relacionadas con tejidos histológicos, células sanguíneas, algas y otras muestras biológicas.

Al final de esta formación, los participantes podrán:

• Navegar por la interfaz de Fiji y utilizar las funciones principales de ImageJ.
• Preprocesar y mejorar imágenes científicas para un mejor análisis.
• Analizar imágenes cuantitativamente, incluyendo el conteo de células y la medición de áreas.
• Automatizar tareas repetitivas utilizando macros y complementos.
• Personalizar flujos de trabajo para necesidades específicas de análisis de imágenes en investigación biológica.

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

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

Al final de esta formación, 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.

El emparejamiento de patrones es una técnica empleada para identificar patrones específicos dentro de una imagen. Se utiliza para determinar si existen características determinadas en una imagen capturada, como la etiqueta esperada en un producto defectuoso en una línea de producción o las dimensiones especificadas de un componente. A diferencia del reconocimiento de patrones (que identifica patrones generales basados en grandes conjuntos de muestras relacionadas), el emparejamiento de patrones define exactamente lo que estamos buscando y luego indica si el patrón esperado está presente o no.

Formato del curso

• Este curso explora los enfoques, tecnologías y algoritmos utilizados en el campo de la coincidencia de patrones, aplicados específicamente a la visión por computadora.

Computer Vision es un campo que se centra en la extracción, análisis y comprensión automática de información valiosa a partir de medios digitales. Python es un lenguaje de programación de alto nivel reconocido por su sintaxis clara y el código legible que produce.

En este entrenamiento en vivo dirigido por un instructor, los participantes aprenderán los fundamentos de Computer Vision mientras desarrollan una serie de aplicaciones sencillas utilizando Python.

Al finalizar este entrenamiento, los participantes serán capaces de:

• Entender los principios básicos de Computer Vision
• Utilizar Python para realizar tareas de Computer Vision
• Crear sus propios sistemas de detección de rostros, objetos y movimiento

Audiencia

• Programadores de Python interesados en Computer Vision

Formato del curso

• Parte teórica, parte discusión, ejercicios y práctica intensiva

Esta formación en vivo dirigida por un instructor en Colombia (en línea o presencial) está destinada a profesionales de nivel intermedio que desean utilizar Vision Builder AI para diseñar, implementar y optimizar sistemas de inspección automatizados para procesos SMT (Surface-Mount Technology).

Al final de esta formación, los participantes podrán:

• Configurar e instalar inspecciones automatizadas utilizando Vision Builder AI.
• Adquirir y preprocesar imágenes de alta calidad para su análisis.
• Implementar decisiones basadas en lógica para la detección de defectos y validación del proceso.
• Generar informes de inspección y optimizar el rendimiento del sistema.

Este entrenamiento dirigido por un instructor (en línea o presencial) en Colombia está destinado a desarrolladores backend y científicos de datos que deseen incorporar modelos pre-entrenados YOLO en sus programas orientados a la empresa e implementar componentes costoeffectivos para la detección de objetos.

Al final de este entrenamiento, los participantes serán capaces de:

• Instalar y configurar las herramientas y bibliotecas necesarias para la detección de objetos utilizando YOLO.
• Personalizar aplicaciones de línea de comandos de Python que funcionan basadas en modelos pre-entrenados YOLO.
• Implementar el marco de modelos pre-entrenados YOLO para diversos proyectos de visión por computadora.
• Convertir conjuntos de datos existentes para la detección de objetos al formato YOLO.
• Entender los conceptos fundamentales del algoritmo YOLO para la visión por computadora y/o el aprendizaje profundo.

Este curso dirigido por un instructor (en línea o presencial) en Colombia está destinado a desarrolladores, investigadores y científicos de datos de nivel intermedio a avanzado que deseen aprender cómo implementar la detección de objetos en tiempo real utilizando YOLOv7.

Al final de este curso, los participantes serán capaces de:

• Comprender los conceptos fundamentales de la detección de objetos.
• Instalar y configurar YOLOv7 para tareas de detección de objetos.
• Entrenar y probar modelos personalizados de detección de objetos utilizando YOLOv7.
• Integrar YOLOv7 con otros marcos y herramientas de visión por computadora.
• Solucionar problemas comunes relacionados con la implementación de YOLOv7.