Curso de Hardware-Accelerated Video Analytics

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a administradores de sistemas de nivel principiante y profesionales de TI que deseen instalar, configurar, administrar y solucionar problemas de entornos CUDA.

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

• Comprender la arquitectura, los componentes y las capacidades de CUDA.
• Instalar y configurar entornos CUDA.
• Gestione y optimice los recursos de CUDA.
• Depurar y solucionar problemas comunes de CUDA.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o presencial) está dirigida a desarrolladores que desean usar CUDA para crear Python aplicaciones que se ejecutan en paralelo en GPU NVIDIA.

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

• Utilice el compilador Numba para acelerar Python las aplicaciones que se ejecutan en las GPU NVIDIA.
• Cree, compile y lance kernels CUDA personalizados.
• Administre la memoria de la GPU.
Convierta una aplicación
• basada en CPU en una aplicación acelerada por GPU.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o presencial) está dirigida a personal policial de nivel principiante que desea pasar del dibujo facial manual al uso de herramientas de IA para desarrollar sistemas de reconocimiento facial.

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

• Comprender los fundamentos de la Inteligencia Artificial y Machine Learning.
• Aprenda los conceptos básicos del procesamiento digital de imágenes y su aplicación en el reconocimiento facial.
• Desarrollar habilidades en el uso de herramientas y marcos de IA para crear modelos de reconocimiento facial.
• Adquiera experiencia práctica en la creación, capacitación y prueba de sistemas de reconocimiento facial.
• Comprender las consideraciones éticas y las mejores prácticas en el uso de la tecnología de reconocimiento facial.

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

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.

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.

Marvin es un marco extensible, multiplataforma, de código abierto de imagen y procesamiento de vídeo desarrollado en Java.   los desarrolladores pueden utilizar Marvin para manipular imágenes, extraer entidades de imágenes para tareas de clasificación, generar figuras algorítmicamente, procesar datasets de archivos de vídeo y configurar la automatización de pruebas unitarias.

algunas de las aplicaciones de vídeo de Marvin & #39; s incluyen filtrado, realidad aumentada, seguimiento de objetos y detección de movimiento.

en este curso de instructor, los participantes en vivo aprenderán los principios de la imagen y el análisis de vídeo y utilizarán Marvin Framework y sus algoritmos de procesamiento de imágenes para construir su propia aplicación.

formato de la del curso

• se introducen por primera vez los principios básicos de análisis de imágenes, análisis de vídeo y Marvin Framework. A los estudiantes se les dan tareas basadas en proyectos que les permiten practicar los conceptos aprendidos. Al final de la clase, los participantes han desarrollado su propia aplicación utilizando Marvin Framework y bibliotecas.

PaddlePaddle (PArallel Distributed Deep LEarning) es una plataforma de aprendizaje profundo escalable desarrollada por Baidu En este entrenamiento en vivo instruido, los participantes aprenderán a usar PaddlePaddle para permitir el aprendizaje profundo en sus aplicaciones de productos y servicios Al final de esta capacitación, los participantes podrán: Configurar y configurar PaddlePaddle Configurar una red neuronal convolucional (CNN) para el reconocimiento de imágenes y la detección de objetos Configurar una Red Neuronal Recurrente (RNN) para el análisis de sentimientos Establecer un aprendizaje profundo sobre los sistemas de recomendación para ayudar a los usuarios a encontrar respuestas Predecir porcentajes de clics (CTR), clasificar conjuntos de imágenes a gran escala, realizar reconocimiento óptico de caracteres (OCR), buscar rangos, detectar virus informáticos e implementar un sistema de recomendaciones Audiencia Desarrolladores Científicos de datos Formato del curso Conferencia de parte, parte de discusión, ejercicios y práctica manual .

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.