Bilgisayar Görseli ile SimpleCV 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 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 yönetimi, Türkiye'da (çevrimiçi veya face-to-face) ileri düzeyde bilgisayar görüşü konusunda daha derin bir anlayış geliştirmek ve Google Colab kullanarak TensorFlow'ın yeteneklerini keşfetmek isteyen profesyoneller hedeflenmiştir.

Bu eğitimin sonunda katılımcılar şunları yapabilecek olacaklar:

• TensorFlow kullanarak konvolusyonel sinir ağları (CNN) oluşturma ve eğitim vermesi.
• Ölçeklenebilir ve etkin bulut tabanlı model geliştirimi için Google Colab'ı kullanma.
• Bilgisayar görüşü görevleri için görüntü ön işleme tekniklerini uygulama.
• Gerçek dünya uygulamaları için bilgisayar görüşü modelleri dağıtma.
• CNN modellerinin performansını artırmak için transfer öğrenimini kullanma.
• Görüntü sınıflandırma modellerinin sonuçlarını görselleştirme ve yorumlama.

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 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.

Fiji, ImageJ (bilimsel çok boyutlu görüntüleri işlemek için kullanılan bir görüntü işleme programı) ve bilimsel görüntü analizi için birçok eklenti ile birlikte gelen açık kaynak kodlu bir görüntü işleme paketidir.

Bu eğitmen öncül, canlı eğitimde katılımciler Fiji dağıtımını ve alt yatan ImageJ programını kullanarak bir görüntü analizi uygulaması oluşturmayı öğrenecektir.

Bu eğitim sonunda katılımciler şunları yapabilecekler:

• ImageJ'ı Fiji'nin gelişmiş programlama özellik ve yazılım bileşenlerini kullanarak genişletme
• Çakışan tuval parçalarından büyük 3B görüntüleri dokuşturma
• Entegre güncelleme sistemi kullanarak Fiji kurulumunu otomatik olarak başlangıçta güncelleştirme
• Özel görüntü analizi çözümleri oluşturmak için geniş bir betik dilleri seçiminden yararlanma
• Büyük biyoimaj veri setlerinde ImgLib gibi Fiji'nin güçlü kütüphanelerini kullanma
• Uygulamalarını dağıtma ve benzer projelerde diğer bilim insanlarıyla işbirliği yapma

Eğitim Formatı

• Etkileşimli sunum ve tartışma.
• Birçok alıştırma ve uygulama.
• Canlı laboratuvar ortamında pratik uygulama.

Eğitim Özelleştirme Seçenekleri

• Bu eğitimin özelleştirilmiş bir versiyonunu talep etmek için lütfen bizimle iletişime geçin.

Bu eğitmen-led, canlı eğitim Türkiye (çevrimiçi veya yerinde) başlangıç seviyesinden orta seviyeye kadar olan araştırmacılar ve laboratuvar profesyonellerine yöneliktir. Görüntülerin histolojik doku, kan hücreleri, deniz çiçekleri ve diğer biyolojik örneklerle ilgili olarak işleme ve analizi yapmayı öğrenmek için tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecek olacaklardır:

• Fiji arayüzünü kullanarak ve ImageJ'in temel fonksiyonlarını uygulama.
• Daha iyi analiz için bilimsel görüntüleri ön işleme ve iyileştirme.
• Hücre sayımı ve alan ölçümü dahil olmak üzere görüntülerin niceliksel analizi.
• Makroları ve eklentileri kullanarak tekrarlanan görevleri otomatikleştirme.
• Biyolojik araştırmalarda belirli 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.

Pattern Matching, bir görüntü içinde belirli desenleri bulmak için kullanılan bir tekniktir. Bu teknik, bir üretim hattında arızalı bir ürün üzerinde beklenen etiketin varlığını veya bir bileşenin belirlenen boyutlarının olup olmadığını tespit etmek gibi, yakalanmış bir görüntüde belirli özelliklerin varlığını belirlemek için kullanılabilir. "Pattern Recognition" (daha geniş ilgili örnek koleksiyonlarına dayalı genel desenleri tanır) ile farklı olarak, Pattern Matching aramamız gerekeni açıkça belirtir ve ardından beklenen desenin var olup olmadığını söyler.

Kurs Formatı

• Bu kurs, pattern matching'in Machine Vision alanında kullanımıyla ilgili yaklaşımları, teknolojileri ve algoritmalarını tanıtır.

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

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.

Bu eğitmen yönlendirilmiş, canlı kurs Türkiye (online veya yeri belirtilmiş), araştırmacılar ve veri bilimciler dahil olmak üzere orta seviye ve ileri düzeydeki geliştiriciler için YOLOv7 kullanarak gerçek zamanlı nesne tespiti uygulamayı öğrenmek isteyenler hedeflenir.

Bu eğitim sonunda katılımcılar şunları yapabilecekler:

• 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 bilgisayarlı görüntüleme çerçeveleri ve araçlarıyla entegre etmek.
• YOLOv7 uygulamasına ilişkin yaygın sorunları gidermek.