Cursos de Aprendizaje Profundo para la Visión con Caffe

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 los Estados Unidos (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.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a científicos de datos de nivel intermedio a avanzado, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de texto a imagen.

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

• Comprender arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de texto a imagen.
• Implemente modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimice el rendimiento y la escalabilidad para grandes conjuntos de datos y modelos complejos.
• Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integre Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores de visión por computadora que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.

Al final de esta capacitación, los participantes podrán:

• Comprender los principios de la Difusión Estable y cómo funciona para la generación de imágenes.
• Cree y entrene modelos de difusión estable para tareas de generación de imágenes.
• Aplique Difusión estable a diversos escenarios de generación de imágenes, como pintura interior, pintura exterior y traducción de imagen a imagen.
• Optimice el rendimiento y la estabilidad de los modelos de Stable Diffusion

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o presencial) está dirigida a biólogos que deseen comprender cómo funciona AlphaFold y usar modelos AlphaFold como guías en sus estudios experimentales.

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

• Comprender los principios básicos de AlphaFold.
• Aprenda cómo funciona AlphaFold.
• Aprenda a interpretar AlphaFold las predicciones y los resultados.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a desarrolladores que desean usar TensorFlow Lite para implementar modelos de aprendizaje profundo en dispositivos integrados.

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

• Instala y configura Tensorflow Lite en un dispositivo integrado.
• Comprender los conceptos y componentes subyacentes TensorFlow Lite.
• Convierta los modelos existentes al formato TensorFlow Lite para ejecutarlos en dispositivos integrados.
• Trabaje dentro de las limitaciones de los dispositivos pequeños y TensorFlow Lite, mientras aprende a ampliar el alcance de las operaciones que se pueden ejecutar.
• Implemente un modelo de aprendizaje profundo en un dispositivo integrado que ejecute Linux.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a desarrolladores que desean utilizar TensorFlow Lite para desarrollar aplicaciones móviles con capacidades de aprendizaje profundo.

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

• Instalar y configurar TensorFlow Lite.
• Comprende los principios detrás de TensorFlow, el aprendizaje automático y el aprendizaje profundo.
• Cargue modelos de TensorFlow en un dispositivo Android.
• Habilite la funcionalidad de aprendizaje profundo y aprendizaje automático, como la visión artificial y el reconocimiento de lenguaje natural en una aplicación móvil.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a desarrolladores que deseen utilizar TensorFlow Lite para desarrollar aplicaciones móviles iOS con capacidades de aprendizaje profundo.

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

• Instalar y configurar TensorFlow Lite.
• Comprende los principios detrás de TensorFlow y el aprendizaje automático en dispositivos móviles.
• Cargue modelos de TensorFlow en un dispositivo iOS.
• Ejecute una aplicación iOS capaz de detectar y clasificar un objeto capturado a través de la cámara del dispositivo.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a ingenieros que desean escribir, cargar y ejecutar modelos de aprendizaje automático en dispositivos integrados muy pequeños.

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

• Instalar TensorFlow Lite.
• Cargue modelos de aprendizaje automático en un dispositivo integrado para permitirle detectar voz, clasificar imágenes, etc.
• Agregue IA a los dispositivos de hardware sin depender de la conectividad de red.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a investigadores y desarrolladores que deseen usar Chainer para construir y entrenar redes neuronales en Python mientras hacen que el código sea fácil de depurar.

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

• Configure el entorno de desarrollo necesario para comenzar a desarrollar modelos de redes neuronales.
• Defina e implemente modelos de redes neuronales utilizando un código fuente comprensible.
• Ejecute ejemplos y modifique los algoritmos existentes para optimizar los modelos de entrenamiento de aprendizaje profundo mientras aprovecha GPUs para obtener un alto rendimiento.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a desarrolladores o científicos de datos que deseen usar Horovod para ejecutar capacitaciones de aprendizaje profundo distribuidas y escalarlas para que se ejecuten en varias GPU en paralelo.

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

• Configure el entorno de desarrollo necesario para comenzar a ejecutar entrenamientos de aprendizaje profundo.
• Instala y configura Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escale el entrenamiento de aprendizaje profundo con Horovod para ejecutarlo en varias GPU.

Esta capacitación en vivo dirigida por un instructor en los Estados Unidos (en línea o en el sitio) está dirigida a científicos de datos que desean acelerar las aplicaciones de aprendizaje automático en tiempo real e implementarlas a escala.

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

• Instale el kit de herramientas OpenVINO.
• Acelere una aplicación de visión artificial mediante una FPGA.
• Ejecute diferentes capas de CNN en la FPGA.
• Escale la aplicación en varios nodos de un clúster de Kubernetes.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a científicos de datos que desean usar Apache MXNet para construir e implementar un modelo de aprendizaje profundo para el reconocimiento de imágenes.

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

• Instale y configure Apache MXNet y sus componentes.
• Comprender la arquitectura y las estructuras de datos de MXNet.
• Utilice las API de bajo y alto nivel de Apache MXNet para crear redes neuronales de manera eficiente.
• Construya una red neuronal convolucional para la clasificación de imágenes.