Türkiye Merkezli Bilgisayarla Görü (Computer Vision) Eğitimleri

Bu eğitmen yönetilen canlı eğitim (Türkiye - çevrimiçi veya yerel) ortamında, kenar cihazları üzerinde gerçek zamanlı işlem için bilgi İşleme modellerini uygulayacak ve optimize edecek olan orta düzeyden ileri düzey bilgisayarli görme mühendisleri, AI geliştiricileri ve IoT profesyonellere yönelikdür.

Bu eğitim sonunda, katılımcılar şunları yapabilecektir:

• Kenar AI'nin temellerini ve bilgisayarlı görme uygulamalarındaki kullanımını anlayabilmek.
• Gerçek zamanlı görüntü ve video analizi için optimize edilmiş derin öğrenme modellerini kenar cihazlara dağıtma.
• TensorFlow Lite, OpenVINO ve NVIDIA Jetson SDK gibi çerçeveleri model dağıtımında kullanabilmek.
• AI modellerinin performansı, güç verimliliği ve düşük gecikmeli çıkarım için optimize edebilmek.

Bu eğitmen destekli, canlı eğitim (online veya on-site) ileri düzey profesyoneller için tasarlanmıştır ve bilgisayar görüşünü daha derinlemesine anlamayı ve TensorFlow'ün Google Colab kullanarak karmaşık görünümlü model geliştirme yeteneklerini keşfetmeyi amaçlamaktadır.

Bu eğitim sonunda katılımcılar şunları yapabilecekler:

• TensorFlow kullanarak konvolüsyonel sinir ağları (CNN'ler) oluşturma ve eğitme.
• Google Colab'yı ölçeklenebilir ve verimli bulut tabanlı model geliştirme için kullanma.
• Bilgisayar görüşü görevleri için görüntü ön işleme tekniklerini uygulama.
• Gerçek dünya uygulamaları için bilgisayar görüşü modellerinin dağıtımını yapma.
• Transfer öğrenimini kullanarak CNN model performansını artırma.
• Görüntü sınıflandırma modellerinin sonuçlarını görselleştirme ve yorumlama.

CANN SDK (Compute Architecture for Neural Networks) bilgisayar görüşü ve NLP gibi gerçek zamanlı AI uygulamaları için güçlü dağıtım ve iyileştirme araçları sağlar, özellikle Huawei Ascend donanımı üzerinde.

Bu eğitimci tarafından yönetilen canlı eğitim (online veya on-site), üretim senaryolarında bilgisayar görüşü ve dil modellerini oluşturma, dağıtma ve iyileştirmek isteyen orta düzey AI uygulayıcılarına yöneliktir.

Eğitim sonunda katılımcılar şu yetenekleri kazanabilecekler:

• CANN ve AscendCL kullanarak CV ve NLP modellerini dağıtma ve iyileştirme.
• CANN araçlarını kullanarak model çevirme ve canlı akışlara entegrasyonu.
• Tespit, sınıflandırma ve duyarlılık analizi gibi görevler için çıkarım performansını iyileştirme.

• Eğitim Formatı

  • Etkileşimli ders ve gösteri.
  • Model dağıtımı ve performans profili oluşturma için el ile laboratuvar.
  • Gerçek CV ve NLP kullanım durumlarını kullanarak canlı akış tasarımı.

  Eğitim özelleştirme seçenekleri

  • Bu eğitim için özel bir eğitim talep etmek için bize başvurunuz.

Bu eğitmen tarafından yönetilen, canlı eğitim Türkiye (çevrimiçi veya yerel) orta düzey AI geliştiricileri ve bilgisayar görseli mühendisleri için tasarlanmıştır. Bu kurs, otonom araç uygulamaları için dayanıklı görsel sistemler oluşturmayı amaçlayan kişiler için uygundur.

Bu eğitimin sonunda katılımcılar şu yeteneklere sahip olacaklardır:

• Otonom araçlarda bilgisayar görseli temel kavramlarını anlamak.
• Nesne tespiti, şerit tespiti ve semantik segmentasyon için algoritmalar uygulamak.
• Görsel sistemleri diğer otonom araç alt sistemleriyle entegre etmek.
• Gelişmiş algılama görevleri için derin öğrenme tekniklerini uygulamak.
• Bilgisayar görsel modellerinin gerçek dünya senaryolarında performansını değerlendirmek.

Bu eğitmen öncülüğündeki canlı eğitim Türkiye (çevrimiçi veya yerel) temel düzeyde bir polis personeline yönelik olup, elчерçek yapma yönteminden yüz tanıma sistemleri geliştirmek için yapay zeka araçlarını kullanmaya geçmek isteyenler için tasarlanmıştır.

Bu eğitim sonunda katılımcılar aşağıdaki becerileri kazanabilecekler:

• Yapay Zeka ve Makine Öğrenmesinin temellerini anlamak.
• Dijital resim işleme temellerini öğrenmek ve yüz tanıma uygulamalarında kullanımı.
• Yüz tanıma modelleri oluşturmak için yapay zeka araçlarını ve çerçevelerini kullanma becerilerini geliştirmek.
• Yüz tanıma sistemlerinin oluşturulması, eğitilmesi ve test edilmesinde deneyim kazanmak.
• Yüz tanıma teknolojisinin kullanımında etik dikkat edilmesi gereken noktaları ve en iyi uygulamaları anlamak.

Bu eğitmen öncülü canlı eğitim (Türkiye çevrimiçi veya yerel olarak) histolojik dokular, kan hücreleri, alg, ve diğer biyolojik örneklerle ilgili görüntülerin işleme ve analizine yönelik başlangıç seviyesinden orta düzeyli araştırmacılar ve laboratuvar uzmanları için tasarlanmıştır.

Bu eğitim sonunda katılımcıların yapabilecekleri şeyler:

• Fiji arayüzünü gezinme ve ImageJ’nin temel fonksiyonlarının kullanılması.
• Bilimsel görüntülerin ön işleme ve iyileştirilmesi, daha iyi analiz için.
• Hücre sayımı ve alan ölçümü dahil olmak üzere görsellerin nicel analizi.
• Makrolar ve eklentiler kullanarak tekrarlayan görevlerin otomasyonu.
• Biyolojik araştırma için özel görüntü analiz ihtiyaçlarına göre iş akışlarının özelleştirilmesi.

Türkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, SMT (Yüzey Montaj Teknolojisi) işlemlerinde otomatik inspeksiyon sistemleri tasarlamak, uygulamak ve optimize etmek isteyen orta seviye profesyonellere yönelik olacak.

Eğitim sonunda, katılımcılar şu becerileri kazanabilecekler:

• Vision Builder AI kullanarak otomatik inspeksiyonları kurma ve yapılandırma.
• Analiz için yüksek kaliteli görüntülerin edinilmesi ve ön işleme.
• Hata algılama ve işlem doğrulaması için mantık tabanlı kararların uygulanması.
• Inspeksiyon raporlarının oluşturulması ve sistem performansının optimize edilmesi.

Bu eğitmen yönlendirilmiş, canlı eğitim Türkiye (çevrimiçi veya yerinde) orta düzeyden ileri seviye geliştiriciler, araştırmacılar ve veri bilimciler hedeflenmektedir. Katılımcıların YOLOv7 kullanarak gerçek zamanlı nesne tespiti uygulamayı öğrenmelerini amaçlamaktadır.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Nesne tespiti temel kavramlarını anlamak.
• YOLOv7'yi nesne tespiti görevleri için yüklemek ve yapılandırmak.
• YOLOv7 kullanarak özel nesne tespiti modelleri eğitmek ve test etmek.
• YOLOv7'yi diğer bilgisayar görseli çerçeveleri ve araçlarıyla entegre etmek.
• YOLOv7 uygulamasına ilişkin yaygın sorunları gidermek.

Caffe, ifade, hız ve modülerlik göz önünde bulundurularak oluşturulmuş derin öğrenme çerçevesidir.

Bu kurs, Caffe'ün görüntü tanıma için derin öğrenme çerçevesi olarak MNIST örneği kullanılarak uygulanmasını araştırmaktadır.

Hedef Kitle

Bu kurs, Caffe'ü bir çerçeve olarak kullanmakla ilgilenen Deep Learning araştırmacıları ve mühendisler için uygundur.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• Caffe'ün yapısını ve dağıtım mekanizmalarını anlayabilecektir
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir
• Modelleri eğitme, katmanları uygulama ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir

Fiji, bilimsel çok boyutlu görüntüler için bir görüntü işleme programı olan ImageJ'i ve bilimsel görüntü analizleri için bir dizi eklentiyi bir araya getiren açık kaynaklı bir görüntü işleme paketidir.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, Fiji dağıtımını ve temelindeki ImageJ programını kullanarak bir görüntü analiz uygulaması oluşturmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• ImageJ'i genişletmek için Fiji'ün gelişmiş programlama özelliklerini ve yazılım bileşenlerini kullanmak
• Örtüşen karolardan büyük 3 boyutlu görüntüleri birleştirmek
• Entegre güncelleme sistemi kullanarak bir Fiji kurulumunu başlatmada otomatik olarak güncellemek
• Özel görüntü analiz çözümleri oluşturmak için geniş bir komut dosyası dili yelpazesinden seçim yapmak
• Büyük biyolojik görüntü veri kümelerinde ImgLib gibi Fiji'ün güçlü kütüphanelerini kullanmak
• Uygulamalarını dağıtmak ve benzer projelerde diğer bilim insanlarıyla işbirliği yapmak

Kurs Formatı

• Etkileşimli ders ve tartışma.
• Bol alıştırma ve uygulama.
• Canlı laboratuvar ortamında uygulamalı uygulama.

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek ayarlama yapınız.

OpenCV (Açık Kaynak Computer Vision Kütüphanesi: http://opencv.org), birkaç yüz bilgisayarlı görü algoritmaları içeren, BSD lisanslı bir açık kaynak kütüphanedir.

Hedef Kitle

Bu kurs, OpenCV'ü bilgisayarlı görü projelerinde kullanmak isteyen mühendisler ve mimarlar için hazırlanmıştır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), derin öğrenme için OpenCV 4 ile Python içinde programlama yapmak isteyen yazılım mühendislerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenCV 4 kullanarak görüntüleri ve videoları görüntüleyebilecek, yükleyebilecek ve sınıflandırabilecek.
• TensorFlow ve Keras ile OpenCV 4 içinde derin öğrenmeyi uygulayabilecek.
• Derin öğrenme modellerini çalıştırabilecek ve görüntülerden ve videolardan etkili raporlar oluşturabilecek.

OpenFace, Google'ün FaceNet araştırmasına dayalı açık kaynaklı, gerçek zamanlı yüz tanıma yazılımıdır Python ve Torch üzerine kurulmuştur.

Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar, OpenFace'in bileşenlerini kullanarak örnek bir yüz tanıma uygulaması oluşturmayı ve dağıtmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yüz algılama, hizalama ve dönüşüm uygulamak için dlib, OpenCV, Torch ve nn4 dahil olmak üzere OpenFace'in bileşenleriyle çalışmak
• OpenFace'i gözetleme, kimlik doğrulama, sanal gerçeklik, oyun ve tekrar eden müşterileri belirleme gibi gerçek dünya uygulamalarına uygulamak vb.

Hedef Kitle

• Geliştiriciler
• Veri bilimcileri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Pattern Matching, bir görüntü içinde belirtilen kalıpları bulmak için kullanılan bir tekniktir. Örneğin, bir fabrikadaki hatalı ürün üzerindeki beklenen etiketi veya bir bileşenin belirtilen boyutlarını belirlemek gibi, yakalanan bir görüntü içinde belirli özelliklerin varlığını belirlemek için kullanılabilir. Pattern Recognition'ten (daha büyük ilgili örnekler koleksiyonuna dayalı genel kalıpları tanıyan) farklı olarak, özellikle ne aradığımızı belirtir ve ardından beklenen kalıbın mevcut olup olmadığını bize bildirir.

Kurs Formatı

Computer Vision, dijital medyadan otomatik olarak faydalı bilgileri çıkarma, analiz etme ve anlama sürecini içeren bir alandır. Python, açık sözdizimi ve kod okunabilirliği ile ünlü yüksek seviyeli bir programlama dilidir.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Computer Vision'in temellerini öğrenirken, Python kullanarak basit bir Computer Vision uygulaması oluşturma sürecini adım adım inceleyeceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Computer Vision'nın temellerini anlayabilecektir
• Python kullanarak Computer Vision görevlerini uygulayabilecektir
• Kendi yüz, nesne ve hareket algılama sistemlerini oluşturabilecektir

Hedef Kitle

• Python programcıları ve Computer Vision'ya ilgi duyanlar

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Bu eğitmen liderliğindeki canlı eğitim, bir yüz tanıma sistemi oluşturmak için gereken yazılım, donanım ve adım adım süreci tanıtıyor. Yüz Tanıma aynı zamanda Face Recognition olarak da bilinir.

Bu laboratuvarda kullanılan donanım Rasberry Pi, bir kamera modülü, servo motorlar (isteğe bağlı), vb. içerir. Katılımcılar bu bileşenleri kendileri satın almaktan sorumludur. Kullanılan yazılım OpenCV, Linux, Python, vb.'dir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Rasberry Pi'ye Linux, OpenCV ve diğer yazılım yardımcı programlarını ve kitaplıklarını kurmak.
• OpenCV'ı yüz görüntülerini yakalamak ve algılamak için yapılandırmak.
• Bir Rasberry Pi sistemini gerçek dünya ortamlarında kullanmak için çeşitli seçenekleri anlamak.
• Sistemi gözetim, kimlik doğrulama vb. gibi çeşitli kullanım durumlarına uyarlamak.

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma.

Not

• Diğer donanım ve yazılım seçenekleri şunlardır: Arduino, OpenFace, Windows, vb. Bunlardan herhangi birini kullanmak isterseniz, lütfen bizimle iletişime geçin.

SimpleCV, açık kaynaklı bir çerçevedir; yani, vizyon uygulamaları geliştirmek için kullanabileceğiniz kütüphaneler ve yazılımlardan oluşan bir koleksiyondur. Web kameralarından, Kinect'lerden, FireWire ve IP kameralarından veya cep telefonlarından gelen görüntüleri veya video akışlarıyla çalışmanızı sağlar. Çeşitli teknolojilerinizin dünyayı sadece görmesini değil, aynı zamanda anlamasını sağlamak için yazılım oluşturmanıza yardımcı olur.

Hedef Kitle

Bu kurs, SimpleCV ile bilgisayar görüşü uygulamaları geliştirmek isteyen mühendisler ve geliştiricilere yöneliktir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kurumsal odaklı programlarına önceden eğitilmiş YOLO modellerini dahil etmek ve nesne algılama için uygun maliyetli bileşenler uygulamak isteyen arka uç geliştiricilerine ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• YOLO kullanarak nesne algılama için gerekli araçları ve kütüphaneleri kurmak ve yapılandırmak.
• YOLO önceden eğitilmiş modellerine dayalı olarak çalışan Python komut satırı uygulamalarını özelleştirmek.
• Çeşitli bilgisayarlı görü projeleri için önceden eğitilmiş YOLO modelleri çerçevesini uygulamak.
• Mevcut nesne algılama veri kümelerini YOLO formatına dönüştürmek.
• Bilgisayarlı görü ve/veya derin öğrenme için YOLO algoritmasının temel kavramlarını anlamak.