Computer Vision Formazione in Torino

Questa formazione dal vivo con istruttore in Torino (online o in loco) è rivolta a ingegneri di visione artificiale, sviluppatori di intelligenza artificiale e professionisti dell'IoT di livello intermedio e avanzato che desiderano implementare e ottimizzare modelli di visione artificiale per l'elaborazione in tempo reale su dispositivi edge. Al termine di questa formazione, i partecipanti saranno in grado di:

• Comprendere i fondamenti di Edge AI e le sue applicazioni nella visione artificiale.
• Distribuisci modelli di deep learning ottimizzati su dispositivi edge per l'analisi di immagini e video in tempo reale.
• Utilizzare framework come TensorFlow Lite, OpenVINO e NVIDIA Jetson SDK per la distribuzione del modello.
• Ottimizza i modelli di intelligenza artificiale per prestazioni, efficienza energetica e inferenza a bassa latenza.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto a professionisti di livello avanzato che desiderano approfondire la loro comprensione della visione artificiale ed esplorare le capacità di TensorFlow per lo sviluppo di sofisticati modelli di visione utilizzando Google Colab. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Costruisci e addestra reti neurali convoluzionali (CNN) utilizzando TensorFlow.
• Sfrutta Google Colab per uno sviluppo di modelli basato su cloud scalabile ed efficiente.
• Implementare tecniche di pre-elaborazione delle immagini per le attività di visione artificiale.
• Distribuisci modelli di visione artificiale per applicazioni reali.
• Utilizza il transfer learning per migliorare le prestazioni dei modelli CNN.
• Visualizza e interpreta i risultati dei modelli di classificazione delle immagini.

Questo corso di formazione pratico, guidato da un istruttore (online o in sede), è rivolto a sviluppatori AI di livello intermedio e ingegneri di computer vision che desiderano creare sistemi di visione robusti per applicazioni di guida autonoma.Al termine di questo corso, i partecipanti saranno in grado di:

• Comprendere i concetti fondamentali della computer vision nei veicoli autonomi.
• Implementare algoritmi per il rilevamento di oggetti, il rilevamento di corsie e la segmentazione semantica.
• Integrare i sistemi di visione con altri sottosistemi dei veicoli autonomi.
• Applicare tecniche di deep learning per attività di percezione avanzata.
• Valutare le prestazioni dei modelli di computer vision in scenari reali.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto al personale delle forze dell'ordine di livello principiante che desidera passare dallo schizzo facciale manuale all'utilizzo di strumenti di intelligenza artificiale per lo sviluppo di sistemi di riconoscimento facciale. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Comprendere i fondamenti dell'Intelligenza Artificiale e Machine Learning.
• Impara le basi dell'elaborazione digitale delle immagini e la sua applicazione nel riconoscimento facciale.
• Sviluppa competenze nell'uso di strumenti e framework di intelligenza artificiale per creare modelli di riconoscimento facciale.
• Acquisisci esperienza pratica nella creazione, formazione e test di sistemi di riconoscimento facciale.
• Comprendere le considerazioni etiche e le migliori pratiche nell'uso della tecnologia di riconoscimento facciale.

Questa formazione dal vivo con istruttore in Torino (online o in loco) è rivolta a ricercatori e professionisti di laboratorio di livello principiante o intermedio che desiderano elaborare e analizzare immagini relative a tessuti istologici, cellule del sangue, alghe e altri campioni biologici. Al termine di questa formazione, i partecipanti saranno in grado di:

• Esplora l'interfaccia Fiji e utilizza le funzioni principali di ImageJ.
• Preelaborare e migliorare le immagini scientifiche per un'analisi migliore.
• Analizzare le immagini in modo quantitativo, includendo il conteggio delle cellule e la misurazione dell'area.
• Automatizza le attività ripetitive utilizzando macro e plugin.
• Personalizzare i flussi di lavoro per specifiche esigenze di analisi delle immagini nella ricerca biologica.

Questo corso live guidato dall'insegnante in Torino (online o presenza) è rivolto a professionisti di livello intermedio che desiderano utilizzare Vision Builder AI per progettare, implementare e ottimizzare sistemi di ispezione automatizzati per i processi SMT (Surface-Mount Technology).Al termine di questo corso, i partecipanti saranno in grado di:

• Configurare ed impostare le ispezioni automatizzate utilizzando Vision Builder AI.
• Aquisire e pre-elaborare immagini di alta qualità per l'analisi.
• Implementare decisioni basate sulla logica per la rilevazione dei difetti e la validazione del processo.
• Generare rapporti di ispezione ed ottimizzare le prestazioni del sistema.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto a sviluppatori, ricercatori e data scientist di livello intermedio e avanzato che desiderano imparare a implementare il rilevamento di oggetti in tempo reale utilizzando YOLOv7. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Comprendere i concetti fondamentali del rilevamento di oggetti.
• Installare e configurare YOLOv7 per le attività di rilevamento degli oggetti.
• Addestra e testa modelli di rilevamento oggetti personalizzati utilizzando YOLOv7.
• Integra YOLOv7 con altri framework e strumenti di visione artificiale.
• Risolvere i problemi comuni relativi all'implementazione di YOLOv7.

Caffe è una struttura di apprendimento profondo creata pensando a espressione, velocità e modularità. Questo corso esplora l'applicazione di Caffe come framework di apprendimento profondo per il riconoscimento di immagini usando MNIST come esempio Pubblico Questo corso è adatto a ricercatori e ingegneri del Deep Learning interessati a utilizzare Caffe come framework. Dopo aver completato questo corso, i delegati saranno in grado di:

• comprendere la struttura e i meccanismi di distribuzione di Caffe
• svolgere attività e configurazione di installazione / ambiente di produzione / architettura
• valutare la qualità del codice, eseguire il debug, il monitoraggio
• implementare la produzione avanzata come modelli di formazione, implementazione di livelli e registrazione

Fiji è un pacchetto di elaborazione delle immagini open source che raggruppa ImageJ (un programma di elaborazione delle immagini per immagini scientifiche multidimensionali) e una serie di plug-in per l'analisi scientifica delle immagini. In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come utilizzare la distribuzione Fiji e il relativo programma ImageJ sottostante per creare un'applicazione di analisi delle immagini. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Utilizza le funzionalità di programmazione avanzate e i componenti software delle Fiji per estendere ImageJ
• Unisci immagini 3D di grandi dimensioni da tessere sovrapposte
• Aggiorna automaticamente un'installazione Fiji all'avvio utilizzando il sistema di aggiornamento integrato
• Scegli tra un'ampia selezione di linguaggi di scripting per creare soluzioni personalizzate per l'analisi delle immagini
• Utilizza le potenti librerie delle Fiji, come ImgLib, su set di dati di bioimmagini di grandi dimensioni
• Distribuisci la loro applicazione e collabora con altri scienziati su progetti simili

Formato del corso

• Lezione e discussione interattiva.
• Un sacco di esercizi e pratica.
• Implementazione pratica in un ambiente live-lab.

Opzioni di personalizzazione del corso

• Per richiedere una formazione personalizzata per questo corso, contattateci per l'organizzazione.

OpenCV (Open Source Computer Vision Library: http://opencv.org) è una libreria open source con licenza BSD che include diverse centinaia di algoritmi di visione artificiale. Pubblico Questo corso è rivolto a ingegneri e architetti che cercano di utilizzare OpenCV per progetti di visione artificiale

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto agli ingegneri del software che desiderano programmare in Python con OpenCV 4 per il deep learning. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Visualizzare, caricare e classificare immagini e video utilizzando OpenCV 4.
• Implementa il deep learning in OpenCV, 4 con TensorFlow e Keras.
• Esegui modelli di deep learning e genera report di grande impatto da immagini e video.

OpenFace è un software di riconoscimento facciale in tempo reale open source basato su Google's FaceNet research. In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno come utilizzare i componenti di OpenFace per creare e distribuire un'applicazione di riconoscimento facciale di esempio. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Lavora con i componenti di OpenFace, tra cui dlib, OpenVC, Torch e nn4 per implementare il rilevamento, l'allineamento e la trasformazione dei volti
• Applica OpenFace ad applicazioni del mondo reale come la sorveglianza, la verifica dell'identità, la realtà virtuale, i giochi e l'identificazione dei clienti abituali, ecc.

Pubblico

• Gli sviluppatori
• Scienziati dei dati

Formato del corso

• In parte lezione, in parte discussione, esercizi e pratica pratica pesante

Pattern Matching è una tecnica utilizzata per localizzare modelli specifici all'interno di un'immagine. Può essere utilizzato per determinare l'esistenza di caratteristiche specificate all'interno di un'immagine acquisita, ad esempio l'etichetta prevista su un prodotto difettoso in una linea di fabbrica o le dimensioni specificate di un componente. È diverso da "Pattern Recognition" (che riconosce modelli generali basati su raccolte più ampie di campioni correlati) in quanto detta specificamente ciò che stiamo cercando, quindi ci dice se il modello atteso esiste o meno. Formato del corso

• Questo corso introduce gli approcci, le tecnologie e gli algoritmi utilizzati nel campo del pattern matching in quanto applicato a Machine Vision.

Computer Vision è un campo che prevede l'estrazione, l'analisi e la comprensione automatica di informazioni utili dai media digitali. Python è un linguaggio di programmazione di alto livello famoso per la sua sintassi chiara e la leggibilità del codice. In questo corso di formazione dal vivo con istruttore, i partecipanti impareranno le basi di Computer Vision mentre passano attraverso la creazione di un set di semplici applicazioni di Computer Vision usando Python . Al termine di questa formazione, i partecipanti saranno in grado di:

• Comprendere le basi di Computer Vision
• Utilizzare Python per implementare attività Computer Vision
• Creare i propri sistemi di rilevamento di volti, oggetti e movimento

Pubblico

• Python programmatori interessati a Computer Vision

Formato del corso

• Una combinazione di lezioni frontali, discussioni, esercizi e una consistente pratica pratica

Questo corso di formazione dal vivo con istruttore introduce il software, l'hardware e il processo passo-passo necessari per creare un sistema di riconoscimento facciale da zero. Il riconoscimento facciale è anche noto come Face Recognition. L'hardware utilizzato in questo laboratorio include Rasberry Pi, un modulo fotocamera, servi (opzionali), ecc. I partecipanti sono responsabili dell'acquisto di questi componenti da soli. Il software utilizzato include OpenCV, Linux, Python, ecc. Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Installa Linux, OpenCV e altre utilità software e librerie su un Rasberry Pi.
• Configurare OpenCV per acquisire e rilevare le immagini del volto.
• Comprendi le varie opzioni per confezionare un sistema Rasberry Pi per l'uso in ambienti reali.
• Adatta il sistema a una varietà di casi d'uso, tra cui sorveglianza, verifica dell'identità, ecc.

Formato del corso

• In parte lezione, in parte discussione, esercizi e pratica pratica pesante

Nota

• Altre opzioni hardware e software includono: Arduino, OpenFace, Windows, ecc. Se desideri utilizzare uno di questi, ti preghiamo di contattarci per organizzare.

Scilab è un linguaggio di alto livello ben sviluppato, gratuito e open source per la manipolazione di dati scientifici. Utilizzato per statistica, grafica e animazione, simulazione, elaborazione del segnale, fisica, ottimizzazione e altro, la sua struttura di dati centrale è la matrice, semplificando molti tipi di problemi rispetto alle alternative come i derivati FORTRAN e C. È compatibile con linguaggi come C, Java e Python , rendendolo adatto all'uso come supplemento ai sistemi esistenti. In questa formazione guidata da istruttori, i partecipanti apprenderanno i vantaggi di Scilab rispetto alle alternative come Matlab, le basi della sintassi di Scilab e alcune funzioni avanzate e si interfacciano con altre lingue ampiamente utilizzate, a seconda della domanda. Il corso si concluderà con un breve progetto incentrato sull'elaborazione delle immagini. Al termine di questa formazione, i partecipanti avranno una comprensione delle funzioni di base e di alcune funzioni avanzate di Scilab e avranno le risorse per continuare ad espandere le proprie conoscenze. Pubblico

• Scienziati e ingegneri dei dati, con particolare interesse per l'elaborazione delle immagini e il riconoscimento facciale

Formato del corso

• Parte lezione, parte discussione, esercitazioni e pratica pratica intensiva, con un progetto finale

SimpleCV è un framework open source, il che significa che è una raccolta di librerie e software che è possibile utilizzare per sviluppare applicazioni di visione. Consente di lavorare con le immagini o i flussi video provenienti da webcam, Kinect, FireWire e telecamere IP o telefoni cellulari. Ti aiuta a creare software per fare in modo che le tue varie tecnologie non solo vedano il mondo, ma lo comprendano anche. Pubblico Questo corso è rivolto a ingegneri e sviluppatori che desiderano sviluppare applicazioni di visione artificiale con SimpleCV.

Questo corso di formazione dal vivo con istruttore in Torino (online o in loco) è rivolto agli sviluppatori back-end e ai data scientist che desiderano incorporare modelli YOLO pre-addestrati nei loro programmi aziendali e implementare componenti convenienti per il rilevamento degli oggetti. Al termine di questa formazione, i partecipanti saranno in grado di:

• Installa e configura gli strumenti e le librerie necessari per il rilevamento degli oggetti utilizzando YOLO.
• Personalizza Python le applicazioni a riga di comando che operano in base ai modelli pre-addestrati di YOLO.
• Implementare il framework di modelli YOLO pre-addestrati per vari progetti di visione artificiale.
• Converti i set di dati esistenti per il rilevamento degli oggetti in formato YOLO.
• Comprendere i concetti fondamentali dell'algoritmo YOLO per la visione artificiale e/o il deep learning.