Cursos de Visión artificial en Columbia

Esta capacitación en vivo dirigida por un instructor en Columbia (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.

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

Esta capacitación en vivo dirigida por un instructor en Columbia (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 Columbia (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 Columbia (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.

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 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 Columbia (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.