Zamanlı Nesne Tanıma ile YOLO Eğitimi

CANN SDK (Neural Ağlar için Hesaplama Mimarisi) bilgisayar görüşü ve doğal dil işleme (NLP) alanında gerçek zamanlı AI uygulamaları için, özellikle Huawei Ascend donanımı üzerinde güçlü dağıtım ve optimizasyon araçları sağlar.

Bu eğitmen öncülünde, canlı eğitim (online veya yerinde), orta seviye AI uzmanlarının CANN SDK'yı kullanarak üretim kullanım senaryoları için görsel ve dil modelleri oluşturmak, dağıtmak ve optimiz etmek isteyenler için düzenlenmiştir.

Bu eğitimin sonunda katılımciler şunları yapabilecektir:

• CANN ve AscendCL kullanarak CV ve NLP modellerini dağıtmak ve optimiz etmek.
• CANN araçlarını kullanarak modelleri dönüştürmek ve canlı hatlara entegre etmek.
• Tespit, sınıflandırma ve duygu analizi gibi görevler için çıkarım performansını optimiz etmek.
• Kenar veya bulut tabanlı dağıtım senaryoları için gerçek zamanlı CV/NLP hatları oluşturmak.

Eğitim Biçimi

• Etkileşimli ders ve gösteri.
• Model dağıtım ve performans profillemesi ile elden deneme labı.
• Gerçek CV ve NLP kullanım senaryoları kullanarak canlı hat tasarım.

Eğitim Özelleştirme Seçenekleri

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

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, bilimsel çok boyutlu görüntüler için tasarlanmış bir program olan ImageJ'in yanı sıra bilimsel görüntü analizi için kapsamlı bir eklenti paketini barındıran güçlü bir açık kaynaklı görüntü işleme paketidir.

Bu eğitmen gözetimindeki canlı eğitimde, katılımcılar sağlamlı görüntü analiz uygulamaları oluşturmak için Fiji dağıtımını ve altında yatan ImageJ programını nasıl kullanacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar aşağıdaki yetkinliklere sahip olacaktır:

• ImageJ yeteneklerini genişletmek için Fiji'nin gelişmiş programlama özelliklerini ve yazılım bileşenlerini kullanabilmek
• Çakışan kılavuzlardan büyük 3D görüntüler birleştirebilmek
• Birleşik güncelleme sistemini kullanarak başlangıçta bir Fiji kurulumunu otomatik güncelleyebilmek
• Özel görüntü analiz çözümleri oluşturmak için geniş bir betik dili yelpazesinden seçebilmek
• Büyük biyogörüntü veri setlerini verimli bir şekilde işlemek için ImgLib gibi Fiji'nin güçlü kütüphanelerini kullanabilmek
• Uygulamaları dağıtabilmek ve benzer projelerde diğer bilim insanlarıyla etkili bir şekilde işbirliği yapabilmek

Kursun Formatı

• Etkileşimli ders ve tartışma
• Yapılandırılmış alıştırmalar ve pratik uygulama
• Canlı laboratuvar ortamında uygulama

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek istiyorsanız, lütfen düzenleme için 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

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.

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 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.