Cursos de Visión artificial en Austin

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

Al final de esta capacitación, los participantes podrán:

• Entender los fundamentos de Edge AI y sus aplicaciones en visión por computadora.
• Desplegar modelos de aprendizaje profundo optimizados en dispositivos perimetrales para el análisis de imágenes y videos en tiempo real.
• Usar frameworks como TensorFlow Lite, OpenVINO y NVIDIA Jetson SDK para el despliegue de modelos.
• Optimizar modelos de IA para rendimiento, eficiencia energética y inferencia de baja latencia.

Al finalizar este entrenamiento, los participantes podrán:

Este curso impartido por un instructor en Austin (en línea o presencial) está dirigido a profesionales avanzados que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos de visión sofisticados utilizando Google Colab.

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

The CANN SDK (Compute Architecture for Neural Networks) provides powerful deployment and optimization tools for real-time AI applications in computer vision and NLP, especially on Huawei Ascend hardware.

This instructor-led, live training (online or onsite) is aimed at intermediate-level AI practitioners who wish to build, deploy, and optimize vision and language models using the CANN SDK for production use cases.

By the end of this training, participants will be able to:

• Deploy and optimize CV and NLP models using CANN and AscendCL.
• Use CANN tools to convert models and integrate them into live pipelines.
• Optimize inference performance for tasks like detection, classification, and sentiment analysis.
• Build real-time CV/NLP pipelines for edge or cloud-based deployment scenarios.

Format of the Course

• Interactive lecture and demonstration.
• Hands-on lab with model deployment and performance profiling.
• Live pipeline design using real CV and NLP use cases.

Course Customization Options

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

Esta capacitación en vivo, dirigida por un instructor, en Austin (en línea o presencial), está dirigida a desarrolladores de IA de nivel intermedio e ingenieros de visión artificial que desean construir sistemas de visión robustos para aplicaciones de conducción autónoma.

Al finalizar esta capacitación, los participantes podrán:

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

Esta capacitación en vivo dirigida por un instructor en Austin (en línea o presencial) está dirigida a personal policial de nivel principiante que desea pasar del dibujo facial manual al uso de herramientas de IA para desarrollar sistemas de reconocimiento facial.

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

• Comprender los fundamentos de la Inteligencia Artificial y Machine Learning.
• Aprenda los conceptos básicos del procesamiento digital de imágenes y su aplicación en el reconocimiento facial.
• Desarrollar habilidades en el uso de herramientas y marcos de IA para crear modelos de reconocimiento facial.
• Adquiera experiencia práctica en la creación, capacitación y prueba de sistemas de reconocimiento facial.
• Comprender las consideraciones éticas y las mejores prácticas en el uso de la tecnología de reconocimiento facial.

Esta capacitación en línea dirigida por un instructor en Austin (en línea o en el sitio) está dirigida a investigadores y profesionales de laboratorio de nivel principiante a intermedio que desean procesar y analizar imágenes relacionadas con tejidos histológicos, células sanguíneas, algas y otras muestras biológicas.

Al final de esta capacitación, 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 de manera quantitativa, incluida la contagem de células y la medición de áreas.
• Automatizar tareas repetitivas usando macros y complementos.
• Personalizar flujos de trabajo para necesidades específicas de análisis de imágenes en investigación biológica.

Esta formación en vivo dirigida por un instructor en Austin (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.

Esta capacitación en vivo dirigida por un instructor en Austin (en línea o presencial) 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 formación, 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 creado teniendo en cuenta la expresión, la velocidad y la modularidad.

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

Audiencia

Este curso es adecuado para 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.
• realizar tareas de instalación / entorno de producción / arquitectura y configuración.
• evaluar la calidad del código, realizar depuración, monitoreo
• Implementar producción avanzada como modelos de entrenamiento, implementación de capas y registro.

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

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

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

• Utilice las funciones de programación avanzadas y los componentes de software de Fiji para ampliar ImageJ
• Unir imágenes 3D de gran tamaño a partir de mosaicos superpuestos
• Actualización automática de una instalación de Fiji al iniciarse mediante el sistema de actualización integrado
• Seleccione entre una amplia selección de lenguajes de scripting para crear soluciones de análisis de imágenes personalizadas
• Utilice las potentes bibliotecas de Fiji, como ImgLib, en grandes conjuntos de datos de bioimágenes
• Implemente su aplicación y colabore con otros científicos en proyectos similares

Formato del curso

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

Opciones de personalización del curso

• Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertarlo.

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.

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 Austin (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.

OpenFace es Python y Torch un software de reconocimiento facial en tiempo real de código abierto basado en la investigación de FaceNet de Google.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear e implementar una aplicación de reconocimiento facial de muestra.

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

• Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC Torch y nn4 para implementar la detección, alineación y transformación de rostros
• Aplique OpenFace a aplicaciones del mundo real como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etcétera.

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada

Pattern Matching es una técnica utilizada para localizar patrones específicos dentro de una imagen. Se puede utilizar para determinar la existencia de características especificadas 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 "Pattern Recognition" (que reconoce patrones generales basados en colecciones más grandes de muestras relacionadas) en que dicta específicamente lo que estamos buscando, y luego nos dice si el patrón esperado existe o no.

Formato del curso

• Este curso presenta los enfoques, tecnologías y algoritmos utilizados en el campo de la coincidencia de patrones en su aplicación a Machine Vision.

Computer Vision es un campo que implica la extracción, análisis y comprensión automática de información útil a partir de medios digitales. Python es un lenguaje de programación de alto nivel famoso por su sintaxis clara y la legibilidad de su código.

En este entrenamiento en vivo dirigido por un instructor, los participantes aprenderán los conceptos básicos de Computer Vision mientras avanzan en la creación de una serie de aplicaciones simples de Computer Vision utilizando Python.

Al finalizar este entrenamiento, los participantes podrán:

• Comprender los conceptos básicos de Computer Vision
• Utilizar Python para implementar tareas de Computer Vision
• Construir 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 capacitación en vivo dirigida por un instructor presenta el software, el hardware y el proceso paso a paso necesarios para crear un sistema de reconocimiento facial desde cero. El reconocimiento facial también se conoce como Face Recognition.

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

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

• Instale Linux, OpenCV y otras utilidades y bibliotecas de software en una 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, etcétera.

Formato del curso

• En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada

Nota

• Otras opciones de hardware y software incluyen: Arduino, OpenFace, Windows, etcétera. Si desea utilizar alguno de ellos, póngase en contacto con nosotros para concertarlo.

SimpleCV es un marco 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 también lo entiendan.

Audiencia

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

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