Türkiye Merkezli Bilgisayarla Görü (Computer Vision) Eğitimleri

Bu eğitmen liderliğindeki, Türkiye'de (çevrimiçi veya yerinde) düzenlenen canlı eğitim, gerçek zamanlı işlem için bilgisayarlı görü modellerini uygulamak ve optimize etmek isteyen orta düzeyden ileri düzeye bilgisayarlı görü mühendisleri, AI geliştiricileri ve IoT profesyonellerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Edge AI'ün temellerini ve bilgisayarlı görüdeki uygulamalarını anlamak.
• Gerçek zamanlı görüntü ve video analizi için derin öğrenme modellerini kenar cihazlarına dağıtmak.
• Model dağıtımı için TensorFlow Lite, OpenVINO ve NVIDIA Jetson SDK gibi çerçeveleri kullanmak.
• AI modellerini performans, güç verimliliği ve düşük gecikmeli çıkarım için optimize etmek.

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 liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde) orta seviyedeki yapay zeka geliştiricileri ve otonom sürüş uygulamaları için sağlam görsel sistemler oluşturmak isteyen bilgisayar görüşü mühendislerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Otonom araçlardaki bilgisayar görüşünün temel kavramlarını anlayabilecektir.
• Nesne algılama, şerit algılama ve anlamsal segmentasyon için algoritmalar uygulayabilecektir.
• Görsel sistemleri diğer otonom araç alt sistemleriyle entegre edebilecektir.
• Gelişmiş algı görevleri için derin öğrenme tekniklerini uygulayabilecektir.
• Gerçek dünya senaryolarında bilgisayar görüşü modellerinin performansını değerlendirebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), manuel yüz çiziminden yapay zeka araçlarını kullanarak yüz tanıma sistemleri geliştirmeye geçmek isteyen başlangıç seviyesindeki kolluk kuvvetleri personeline yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yapay Zekanın temellerini ve Machine Learning'ü anlayın.
• Dijital görüntü işlemenin temellerini ve yüz tanımadaki uygulamasını öğrenin.
• Yapay zeka araçlarını ve çerçevelerini kullanarak yüz tanıma modelleri oluşturma becerileri geliştirin.
• Yüz tanıma sistemleri oluşturma, eğitme ve test etme konusunda uygulamalı deneyim kazanın.
• Yüz tanıma teknolojisinin kullanımında etik hususları ve en iyi uygulamaları anlayın.

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 liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek zamanlı nesne algılama için YOLOv7'yi uygulamayı öğrenmek isteyen orta ve ileri seviyedeki geliştiriciler, araştırmacılar ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Nesne algılama kavramlarını anlayabilecektir.
• Nesne algılama görevleri için YOLOv7'yi kurup yapılandırabilecektir.
• YOLOv7 kullanarak özel nesne algılama modellerini eğitebilecek ve test edebilecektir.
• YOLOv7'yi diğer bilgisayarlı görü çerçeveleri ve araçlarıyla entegre edebilecektir.
• YOLOv7 uygulamasında karşılaşılan yaygın sorunları giderebilecektir.

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.