Computer Vision SimpleCV ile Eğitimi

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

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.

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.

Bu eğitmen liderliğindeki canlı eğitim Türkiye (çevrimiçi veya yerinde), histolojik dokular, kan hücreleri, algler ve diğer biyolojik örneklerle ilgili görüntüleri işlemek ve analiz etmek isteyen başlangıç seviyesinden orta seviyeye kadar araştırmacılar ve laboratuvar profesyonelleri için tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Fiji arayüzünde gezinme ve ImageJ’nin temel işlevlerini kullanma.
• Bilimsel görüntüleri daha iyi analiz için ön işleme ve geliştirme.
• Hücre sayımı ve alan ölçümü dahil olmak üzere görüntüleri nicel olarak analiz etme.
• Makrolar ve eklentiler kullanarak tekrarlayan görevleri otomatikleştirme.
• Biyolojik araştırmalarda özel görüntü analizi ihtiyaçları için iş akışlarını özelleştirme.

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.

Scilab, bilimsel veri manipülasyonu için iyi geliştirilmiş, ücretsiz ve açık kaynaklı yüksek seviyeli bir dildir. İstatistik, grafik ve animasyon, simülasyon, sinyal işleme, fizik, optimizasyon ve daha fazlası için kullanılır. Temel veri yapısı matristir ve bu, FORTRAN ve C türevleri gibi alternatiflere kıyasla birçok sorunu basitleştirir. C, Java ve Python gibi dillerle uyumludur ve bu da onu mevcut sistemlere bir ek olarak kullanıma uygun hale getirir.

Bu eğitmen liderliğindeki eğitimde, katılımcılar Matlab gibi alternatiflere kıyasla Scilab'ın avantajlarını, Scilab sözdiziminin temellerini ve bazı gelişmiş işlevleri ve talebe bağlı olarak diğer yaygın dillerle arayüz oluşturmayı öğreneceklerdir. Kurs, görüntü işleme üzerine odaklanan kısa bir projeyle sona erecektir.

Bu eğitimin sonunda, katılımcılar Scilab'ın temel ve bazı gelişmiş işlevlerine hakim olacak ve bilgilerini genişletmeye devam etmek için kaynaklara sahip olacaklardır.

Hedef Kitle

• Veri bilimcileri ve mühendisleri, özellikle görüntü işleme ve yüz tanıma konularına ilgi duyanlar

Kurs Formatı

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

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), 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.