Cursos de Visión artificial

YOLOv7 es un modelo de detección de objetos en tiempo real de última generación para tareas de visión artificial.Esta capacitación en vivo dirigida por un instructor (en el sitio o remota) 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 mediante YOLOv7.Al final de esta capacitación, los participantes podrán:

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.

Formato del Curso

Charla interactiva y debate. Muchos ejercicios y práctica. Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

Para solicitar una capacitación personalizada para este curso, contáctenos para coordinar.

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

Marvin es un marco de procesamiento de imágenes y videos extensible, multiplataforma y de código abierto desarrollado en Java. Los desarrolladores pueden usar Marvin para manipular imágenes, extraer características de imágenes para tareas de clasificación, generar figuras de forma algorítmica, procesar conjuntos de datos de archivos de video y configurar la automatización de pruebas unitarias. Algunas de las aplicaciones de video de Marvin incluyen filtrado, realidad aumentada, seguimiento de objetos y detección de movimiento. En este curso los participantes aprenderán los principios del análisis de imágenes y video y utilizarán el Marvin Framework y sus algoritmos de procesamiento de imágenes para construir su propia aplicación. Audiencia      Los desarrolladores de software que deseen utilizar un marco de código abierto basado en plug-ins para crear aplicaciones de procesamiento de imágenes y videos Formato del curso      Primero se presentan los principios básicos del análisis de imágenes, el análisis de video y el Marco Marvin. Los estudiantes reciben tareas basadas en proyectos que les permiten practicar los conceptos aprendidos. Al final de la clase, los participantes habrán desarrollado su propia aplicación utilizando el Marvin Framework y las bibliotecas.

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

Deep learning is a subfield of machine learning. It uses methods based on learning data representations and structures such as neural networks. Keras is a high-level neural networks API for fast development and experimentation. It runs on top of TensorFlow, CNTK, or Theano. This instructor-led, live training (online or onsite) is aimed at developers who wish to build a self-driving car (autonomous vehicle) using deep learning techniques. By the end of this training, participants will be able to:

• Use Keras to build and train a convolutional neural network.
• Use computer vision techniques to identify lanes in an autonomos driving project.
• Train a deep learning model to differentiate traffic signs.
• Simulate a fully autonomous car.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

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.

Análisis de vídeo se refiere a la tecnología y técnicas utilizadas para procesar un flujo de vídeo. Una aplicación común sería capturar y identificar eventos de vídeo en vivo a través de la detección de movimiento, el reconocimiento facial, la multitud y el número de vehículos, etc. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a los desarrolladores que desean construir modelos de detección y rastreamiento de objetos acelerados por hardware para analizar los datos de video streaming. Al final de este curso, los participantes podrán:

Instalar y configurar el entorno de desarrollo, el software y las bibliotecas necesarias para comenzar el desarrollo. Construir, entrenar y implementar modelos de aprendizaje profundo para analizar los feed de vídeo en vivo. Identificar, rastrear, segmentar y predecir objetos diferentes dentro de los cuadros de vídeo. Optimizar los modelos de detección y rastreamiento de objetos. Desarrollar una aplicación de análisis de vídeo inteligente (IVA).

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

YOLO (You Only Look Once) es un algoritmo que se transforma en modelos pre-entrenados para la detección de objetos. Está probado por el marco de red neural de Darknet, lo que lo hace ideal para desarrollar características de visión de ordenador basadas en el conjunto de datos COCO (Objetos Comúnes en Contexto). Las últimas variantes del marco YOLO, YOLOv3-v4, permiten a los programas ejecutar eficientemente las tareas de localización y clasificación de objetos mientras se ejecutan en tiempo real. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a desarrolladores y científicos de datos que desean incorporar modelos YOLO pre- entrenados en sus programas orientados a la empresa y implementar componentes rentables para la detección de objetos. Al final de este curso, los participantes podrán:

Instalar y configurar las herramientas y bibliotecas necesarias en la detección de objetos utilizando YOLO. Personalizar las aplicaciones de línea de comando Python que funcionan basadas en los modelos pre-entrenados de YOLO. Implementar el marco de los modelos YOLO pre-entendidos para varios proyectos de visión informática. Convertir los conjuntos de datos existentes para la detección de objetos en formato YOLO. Comprender los conceptos fundamentales del algoritmo YOLO para la visión informática y/o el aprendizaje profundo.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

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.

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

OpenCV es una biblioteca de funciones de programación para descifrar imágenes con algoritmos informáticos. OpenCV 4 es el último lanzamiento OpenCV y proporciona modularidad optimizada, algoritmos actualizados, y más. Con OpenCV 4 y Python, los usuarios podrán ver, cargar y clasificar imágenes y vídeos para el reconocimiento de imágenes avanzadas. Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a ingenieros de software que desean programar en Python con OpenCV 4 para el aprendizaje profundo. Al final de este curso, los participantes podrán:

Ver, cargar y clasificar imágenes y vídeos utilizando OpenCV 4. En el caso de que se trate de una enseñanza profunda en OpenCV 4 con TensorFlow y Keras. Ejecutar modelos de aprendizaje profundo y generar informes impactantes de imágenes y vídeos.

Formato del curso

Lecciones y discusiones interactivas. Muchos ejercicios y prácticas. Implementación de manos en un entorno de laboratorio en vivo.

Opciones de Customización de Curso

Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.

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.