Curso de Visión por Computadora para Vehículos Autónomos

Esta capacitación en vivo, dirigida por un instructor, en Ecuador (en línea o presencial), está dirigida a ingenieros de robótica de nivel avanzado e investigadores de IA que desean implementar algoritmos sofisticados de planificación de rutas para mejorar el rendimiento de los vehículos autónomos.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos teóricos de los algoritmos avanzados de planificación de rutas.
• Implementar algoritmos como RRT*, A* y D* para la navegación en tiempo real.
• Optimizar la planificación de rutas para la evasión de obstáculos y entornos dinámicos.
• Integrar algoritmos de planificación de rutas con datos de sensores para mejorar la precisión.
• Evaluar el rendimiento de varios algoritmos en escenarios prácticos.

Esta formación en vivo, dirigida por un instructor en Ecuador (en línea o presencial), está destinada a científicos de datos avanzados, especialistas en IA y desarrolladores de IA automotriz que deseen construir, entrenar y optimizar modelos de IA para aplicaciones de conducción autónoma.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de la IA y el aprendizaje profundo en el contexto de los vehículos autónomos.
• Implementar técnicas de visión por computadora para la detección de objetos en tiempo real y seguimiento de carriles.
• Utilizar el aprendizaje por refuerzo para la toma de decisiones en sistemas autónomos.
• Integrar técnicas de fusión de sensores para una mejor percepción y navegación.
• Construir modelos de aprendizaje profundo para predecir y analizar escenarios de conducción.

<p>Esta capacitación en vivo, dirigida por un instructor, en Ecuador (en línea o en sitio) está dirigida a ingenieros de seguridad avanzados y profesionales de la seguridad automotriz que desean desarrollar estrategias de seguridad integrales para vehículos autónomos, incluyendo el análisis de peligros, las evaluaciones de seguridad funcional y el cumplimiento de las normas internacionales.</p><br/><p>Al finalizar esta capacitación, los participantes podrán:</p><br/><ul><li>Identificar y evaluar los riesgos de seguridad asociados con los sistemas de conducción autónoma.</li><li>Realizar análisis de peligros y evaluaciones de riesgos utilizando las normas de la industria.</li><li>Implementar métodos de validación y verificación de seguridad para los sistemas AV.</li><li>Aplicar normas de seguridad funcional, como ISO 26262 y SOTIF.</li><li>Desarrollar estrategias de mitigación de riesgos para los desafíos de seguridad de los AV.</li></ul>

Esta formación en vivo dirigida por un instructor en Ecuador (en línea o presencial) está destinada a personal de aplicación de la ley principiante que desea pasar de los bocetos faciales manuales al uso de herramientas de Inteligencia Artificial para desarrollar sistemas de reconocimiento facial.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de la Inteligencia Artificial y el Aprendizaje Automático.
• Adquirir conocimientos básicos sobre el procesamiento digital de imágenes y su aplicación en el reconocimiento facial.
• Desarrollar habilidades para usar herramientas e frameworks de IA para crear modelos de reconocimiento facial.
• Obtener experiencia práctica en la creación, entrenamiento y prueba de sistemas de reconocimiento facial.
• Comprender las consideraciones éticas y las mejores prácticas en el uso de tecnología de reconocimiento facial.

Fiji es un paquete de procesamiento de imágenes de código abierto que agrupa ImageJ (un programa de procesamiento de imágenes para imágenes multidimensionales científicas) y una serie de complementos para el análisis de imágenes científicas.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar la distribución Fiji y su programa ImageJ subyacente para crear una aplicación de análisis de imágenes.

Al final de esta formación, los participantes serán capaces de:

• Utilice las funciones de programación avanzadas y los componentes de software de Fiji para ampliar ImageJ
• Unir imágenes 3D de gran tamaño a partir de mosaicos superpuestos
• Actualización automática de una instalación de Fiji al iniciarse mediante el sistema de actualización integrado
• Seleccione entre una amplia selección de lenguajes de scripting para crear soluciones de análisis de imágenes personalizadas
• Utilice las potentes bibliotecas de Fiji, como ImgLib, en grandes conjuntos de datos de bioimágenes
• Implemente su aplicación y colabore con otros científicos en proyectos similares

Formato del curso

• Charla y discusión interactiva.
• Muchos ejercicios y práctica.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

• Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertarlo.

Este entrenamiento en vivo, impartido por un instructor (en línea o presencial) está dirigido a investigadores y profesionales de laboratorio principiantes e intermedios que desean procesar y analizar imágenes relacionadas con tejidos histológicos, células sanguíneas, algas y otros muestras biológicas.

Al finalizar este entrenamiento, los participantes podrán:

• Navegar en la interfaz de Fiji e utilizar las funciones principales de ImageJ.
• Preprocesar y mejorar imágenes científicas para un mejor análisis.
• Analizar imágenes cuantitativamente, incluyendo conteo celular y medición de áreas.
• Automatizar tareas repetitivas utilizando macros y complementos.
• Personalizar flujos de trabajo para necesidades específicas de análisis de imágenes en la investigación biológica.

Esta capacitación en vivo, dirigida por un instructor, en Ecuador (en línea o presencial), está dirigida a especialistas en fusión de sensores de nivel avanzado e ingenieros de IA que desean desarrollar algoritmos de fusión de múltiples sensores y optimizar la navegación en tiempo real en sistemas autónomos.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos y desafíos de la fusión de datos de múltiples sensores.
• Implementar algoritmos de fusión de sensores para la navegación autónoma en tiempo real.
• Integrar datos de LiDAR, cámaras y RADAR para mejorar la percepción.
• Analizar y evaluar el rendimiento del sistema de fusión en diversas condiciones.
• Desarrollar soluciones prácticas para la reducción de ruido de sensores y la alineación de datos.

OpenCV (Open Source Computer Vision Library: http://opencv.org) es una biblioteca de licencia BSD de código abierto que incluye varios centenares de algoritmos de visión por ordenador.

Audiencia

Este curso está dirigido a ingenieros y arquitectos que buscan utilizar OpenCV para proyectos de visión por computadora

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o presencial) está dirigida a ingenieros de software que desean programar en Python con OpenCV 4 para el aprendizaje profundo.

Al final de esta formación, los participantes serán capaces de:

• Vea, cargue y clasifique imágenes y vídeos con OpenCV 4.
• Implemente el aprendizaje profundo en OpenCV, 4 con TensorFlow y Keras.
• Ejecute modelos de aprendizaje profundo y genere informes impactantes a partir de imágenes y vídeos.

OpenFace es Python y Torch un software de reconocimiento facial en tiempo real de código abierto basado en la investigación de FaceNet de Google.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear e implementar una aplicación de reconocimiento facial de muestra.

Al final de esta formación, los participantes serán capaces de:

• Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC Torch y nn4 para implementar la detección, alineación y transformación de rostros
• Aplique OpenFace a aplicaciones del mundo real como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etcétera.

Audiencia

• Desarrolladores
• Científicos de datos

Formato del curso

• En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada

Pattern Matching es una técnica utilizada para localizar patrones específicos dentro de una imagen. Se puede utilizar para determinar la existencia de características especificadas dentro de una imagen capturada, por ejemplo, la etiqueta esperada en un producto defectuoso en una línea de fábrica o las dimensiones especificadas de un componente. Es diferente de "Pattern Recognition" (que reconoce patrones generales basados en colecciones más grandes de muestras relacionadas) en que dicta específicamente lo que estamos buscando, y luego nos dice si el patrón esperado existe o no.

Formato del curso

• Este curso presenta los enfoques, tecnologías y algoritmos utilizados en el campo de la coincidencia de patrones en su aplicación a Machine Vision.

Esta capacitación en vivo dirigida por un instructor presenta el software, el hardware y el proceso paso a paso necesarios para crear un sistema de reconocimiento facial desde cero. El reconocimiento facial también se conoce como Face Recognition.

El hardware utilizado en este laboratorio incluye Rasberry Pi, un módulo de cámara, servos (opcionales), etcétera. Los participantes son responsables de comprar estos componentes ellos mismos. El software utilizado incluye OpenCV, Linux, Python, etcétera.

Al final de esta formación, los participantes serán capaces de:

• Instale Linux, OpenCV y otras utilidades y bibliotecas de software en una Rasberry Pi.
• Configure OpenCV para capturar y detectar imágenes faciales.
• Comprenda las diversas opciones para empaquetar un sistema Rasberry Pi para su uso en entornos del mundo real.
• Adapte el sistema para una variedad de casos de uso, incluida la vigilancia, la verificación de identidad, etcétera.

Formato del curso

• En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada

Nota

• Otras opciones de hardware y software incluyen: Arduino, OpenFace, Windows, etcétera. Si desea utilizar alguno de ellos, póngase en contacto con nosotros para concertarlo.

Esta formación en vivo dirigida por un instructor en Ecuador (en línea o presencial) está destinada a profesionales de nivel intermedio que desean utilizar Vision Builder AI para diseñar, implementar y optimizar sistemas de inspección automatizados para procesos SMT (Surface-Mount Technology).

Al final de esta formación, los participantes podrán:

• Configurar e instalar inspecciones automatizadas utilizando Vision Builder AI.
• Adquirir y preprocesar imágenes de alta calidad para su análisis.
• Implementar decisiones basadas en lógica para la detección de defectos y validación del proceso.
• Generar informes de inspección y optimizar el rendimiento del sistema.