Formation YOLOv7: Real-time Object Detection with Computer Vision

Caffe est un cadre d'apprentissage en profondeur conçu pour l'expression, la rapidité et la modularité.

Ce cours explore l’application de Caffe tant que cadre d’apprentissage approfondi pour la reconnaissance d’images en prenant comme exemple le MNIST.

Public

Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation de Caffe tant que cadre.

Une fois ce cours terminé, les délégués seront en mesure de:

• comprendre la structure et les mécanismes de déploiement de Caffe
• effectuer des tâches d'installation / environnement de production / architecture et configuration
• évaluer la qualité du code, effectuer le débogage, la surveillance
• implémenter une production avancée telle que des modèles d'entraînement, implémenter des couches et se connecter

Cette formation dirigée par un instructeur, en présentiel ou en ligne, s'adresse aux développeurs IA et aux ingénieurs en vision par ordinateur de niveau intermédiaire qui souhaitent construire des systèmes de vision robustes pour les applications de conduite autonome.

À la fin de cette formation, les participants seront capables de :

• Comprendre les concepts fondamentaux de la vision par ordinateur dans les véhicules autonomes.
• Implémenter des algorithmes pour la détection d'objets, la détection de voies et la segmentation sémantique.
• Intégrer les systèmes de vision avec les autres sous-systèmes des véhicules autonomes.
• Appliquer les techniques d'apprentissage profond aux tâches de perception avancées.
• Évaluer les performances des modèles de vision par ordinateur dans des scénarios réels.

Cette formation en direct avec instructeur en Canada (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow à développer des modèles de vision sophistiqués à l'aide de Google Colab.

À l'issue de cette formation, les participants seront capables de :

• Construire et entraîner des réseaux neuronaux convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour un développement de modèle évolutif et efficace basé sur le cloud.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation en direct avec instructeur en Canada (en ligne ou sur place) s'adresse au personnel débutant des forces de l'ordre qui souhaite passer de l'esquisse faciale manuelle à l'utilisation d'outils d'intelligence artificielle pour développer des systèmes de reconnaissance faciale.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de l'intelligence artificielle et Machine Learning.
• Apprendre les bases du traitement numérique de l'image et son application à la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de cadres d'intelligence artificielle pour créer des modèles de reconnaissance faciale.
• Acquérir une expérience pratique dans la création, l'entraînement et le test de systèmes de reconnaissance faciale.
• Comprendre les considérations éthiques et les meilleures pratiques dans l'utilisation de la technologie de reconnaissance faciale.

Fiji est un logiciel libre de traitement d'images qui regroupe ImageJ (un programme de traitement d'images multidimensionnelles scientifiques) et un certain nombre de plugins pour l'analyse d'images scientifiques.

Au cours de cette formation, les participants apprendront à utiliser la distribution Fiji et le programme ImageJ sous-jacent pour créer une application d'analyse d'images.

À l'issue de cette formation, les participants seront capables de :

• Utiliser les fonctions de programmation avancées et les composants logiciels de Fiji pour étendre ImageJ
• Assembler de grandes images 3D à partir de tuiles qui se chevauchent
• Mettre à jour automatiquement une installation de Fiji au démarrage en utilisant le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour créer des solutions d'analyse d'images personnalisées.
• utiliser les puissantes bibliothèques de Fiji, telles que ImgLib, pour les grands ensembles de données d'imagerie biologique
• Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires.

Format du cours

• Exposé et discussion interactifs.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement live-lab.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

Cette formation en direct dans Canada (en ligne ou sur place) s'adresse aux chercheurs et professionnels de laboratoire de niveau débutant à intermédiaire qui souhaitent traiter et analyser des images de tissus histologiques, de cellules sanguines, d'algues et d'autres échantillons biologiques.

A l'issue de cette formation, les participants seront capables de :

• Naviguer dans l'interface Fiji et utiliser les fonctions principales d'ImageJ.
• Prétraiter et améliorer les images scientifiques pour une meilleure analyse.
• Analyser les images quantitativement, y compris le comptage des cellules et la mesure de la surface.
• Automatiser les tâches répétitives à l'aide de macros et de plugins.
• Personnaliser les flux de travail pour répondre aux besoins spécifiques d'analyse d'images dans la recherche biologique.

OpenCV (Open Source Computer Vision Library : http://opencv.org) est une bibliothèque open-source sous licence BSD qui comprend plusieurs centaines d'algorithmes de vision par ordinateur.

Public

Ce cours s'adresse aux ingénieurs et aux architectes qui souhaitent utiliser OpenCV pour des projets de vision par ordinateur.

Cette formation en Canada (en ligne ou sur site) s'adresse aux ingénieurs logiciels qui souhaitent programmer en Python avec OpenCV 4 pour l'apprentissage profond.

A l'issue de cette formation, les participants seront capables de :

• Visualiser, charger et classifier des images et des vidéos en OpenCV 4.
• Mettre en œuvre l'apprentissage profond en OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

OpenFace est un logiciel de reconnaissance faciale en temps réel, à code source ouvert, basé sur les recherches FaceNet de Google Python et Torch.

Au cours de cette formation, les participants apprendront à utiliser les composants d'OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale.

A la fin de cette formation, les participants seront capables de :

• Travailler avec les composants d'OpenFace, y compris dlib, OpenVC, Torch, et nn4 pour implémenter la détection, l'alignement et la transformation des visages.
• Appliquer OpenFace à des applications réelles telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification de clients réguliers, etc.

Public

• Développeurs
• Scientifiques des données

Format du cours

• En partie conférence, en partie discussion, exercices et pratique intensive.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.

Format du cours

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

Cette formation en direct, dirigée par un instructeur, présente le logiciel, le matériel et le processus étape par étape nécessaire pour construire un système de reconnaissance faciale à partir de zéro. La reconnaissance faciale est également connue sous le nom de Face Recognition.

Le matériel utilisé dans ce laboratoire comprend le Rasberry Pi, un module caméra, des servos (optionnels), etc. Les participants sont responsables de l'achat de ces composants. Les logiciels utilisés comprennent OpenCV, Linux, Python, etc.

A l'issue de cette formation, les participants seront capables de :

• Installer Linux, OpenCV et d'autres logiciels utilitaires et bibliothèques sur un Rasberry Pi.
• Configurer OpenCV pour capturer et détecter des images faciales.
• Comprendre les différentes options de conditionnement d'un système Rasberry Pi pour une utilisation dans des environnements réels.
• Adapter le système à une variété de cas d'utilisation, y compris la surveillance, la vérification d'identité, etc.

Format du cours

• En partie exposé, en partie discussion, exercices et pratique intensive.

Remarque

• D'autres options matérielles et logicielles existent : Arduino, OpenFace, Windows, etc. Si vous souhaitez utiliser l'une de ces options, veuillez nous contacter.

Scilab est un langage de haut niveau bien développé, gratuit et open source pour la manipulation de données scientifiques. Utilisée pour les statistiques, les graphiques et l’animation, la simulation, le traitement du signal, la physique, l’optimisation, etc., sa structure de données centrale est la matrice, simplifiant de nombreux types de problèmes par rapport à d’autres solutions telles que les dérivés FORTRAN et C. Il est compatible avec des langages tels que C, Java et Python , ce qui en fait un complément aux systèmes existants.

Au cours de cette formation dirigée par un instructeur, les participants découvriront les avantages de Scilab par rapport à des alternatives telles que Matlab, les bases de la syntaxe Scilab , ainsi que certaines fonctions avancées et une interface avec d’autres langages largement utilisés, en fonction de la demande. Le cours se terminera par un bref projet axé sur le traitement d'images.

À la fin de cette formation, les participants maîtriseront les fonctions de base et certaines fonctions avancées de Scilab , ainsi que les ressources nécessaires pour continuer à élargir leurs connaissances.

Public

• Scientifiques et ingénieurs spécialisés dans les données, particulièrement intéressés par le traitement d'images et la reconnaissance faciale

Format du cours

• Partie conférence, partie discussion, exercices et exercices pratiques intensifs, avec un projet final

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels intermédiaires souhaitant utiliser Vision Builder AI pour concevoir, mettre en œuvre et optimiser des systèmes d'inspection automatisés destinés aux processus SMT (Surface-Mount Technology).

À la fin de cette formation, les participants seront capables de :

• Configurer et paramétrer des inspections automatisées à l'aide de Vision Builder AI.
• Acquérir et prétraiter des images de haute qualité pour l'analyse.
• Mettre en œuvre des décisions basées sur la logique pour la détection de défauts et la validation du processus.
• Générer des rapports d'inspection et optimiser les performances du système.