Real-Time Object Detection with YOLO Training Course

Caffe là một framework học sâu được xây dựng với mục tiêu biểu đạt, tốc độ và tính mô-đun.

Khóa học này khám phá ứng dụng của Caffe như một framework học sâu để nhận dạng hình ảnh, sử dụng MNIST làm ví dụ.

Đối tượng

Khóa học này phù hợp cho các nhà nghiên cứu và kỹ sư Deep Learning quan tâm đến việc sử dụng Caffe như một framework.

Sau khi hoàn thành khóa học này, người tham gia sẽ có thể:

• hiểu cấu trúc và cơ chế triển khai của Caffe
• thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• triển khai các tính năng nâng cao trong sản xuất như huấn luyện mô hình, triển khai các lớp và ghi nhật ký

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển AI và kỹ sư thị giác máy tính trình độ trung cấp, những người muốn xây dựng các hệ thống thị giác mạnh mẽ cho các ứng dụng lái xe tự động.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các khái niệm cơ bản về thị giác máy tính trong xe tự hành.
• Triển khai các thuật toán để phát hiện đối tượng, phát hiện làn đường và phân đoạn ngữ nghĩa.
• Tích hợp hệ thống thị giác với các hệ thống con khác của xe tự hành.
• Áp dụng các kỹ thuật học sâu cho các tác vụ nhận thức nâng cao.
• Đánh giá hiệu suất của các mô hình thị giác máy tính trong các tình huống thực tế.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các chuyên gia nâng cao muốn đi sâu vào hiểu biết về thị giác máy tính và khám phá khả năng của TensorFlow để phát triển các mô hình thị giác tinh vi bằng Google Colab.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Xây dựng và huấn luyện mạng nơ-ron tích chập (CNN) bằng TensorFlow.
• Tận dụng Google Colab để phát triển mô hình dựa trên đám mây có khả năng mở rộng và hiệu quả.
• Triển khai các kỹ thuật tiền xử lý hình ảnh cho các tác vụ thị giác máy tính.
• Triển khai các mô hình thị giác máy tính cho các ứng dụng thực tế.
• Sử dụng học chuyển giao để nâng cao hiệu suất của các mô hình CNN.
• Trực quan hóa và diễn giải kết quả của các mô hình phân loại hình ảnh.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho nhân viên thực thi pháp luật mới bắt đầu, những người muốn chuyển đổi từ vẽ phác thảo khuôn mặt thủ công sang sử dụng các công cụ AI để phát triển hệ thống nhận diện khuôn mặt.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc cơ bản của Trí tuệ Nhân tạo và Machine Learning.
• Học các kiến thức cơ bản về xử lý ảnh kỹ thuật số và ứng dụng của nó trong nhận diện khuôn mặt.
• Phát triển kỹ năng sử dụng các công cụ và khung AI để tạo mô hình nhận diện khuôn mặt.
• Có được kinh nghiệm thực hành trong việc tạo, đào tạo và kiểm tra hệ thống nhận diện khuôn mặt.
• Hiểu các cân nhắc về đạo đức và các thực hành tốt nhất trong việc sử dụng công nghệ nhận diện khuôn mặt.

Fiji là một gói xử lý ảnh mã nguồn mở, bao gồm ImageJ (một chương trình xử lý ảnh cho hình ảnh đa chiều khoa học) và một số plugin để phân tích hình ảnh khoa học.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học cách sử dụng bản phân phối Fiji và chương trình ImageJ cơ bản để tạo một ứng dụng phân tích hình ảnh.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Sử dụng các tính năng lập trình nâng cao và các thành phần phần mềm của Fiji để mở rộng ImageJ
• Ghép nối các hình ảnh 3D lớn từ các ô chồng lấp
• Tự động cập nhật cài đặt Fiji khi khởi động bằng hệ thống cập nhật tích hợp
• Chọn từ nhiều ngôn ngữ kịch bản khác nhau để xây dựng các giải pháp phân tích hình ảnh tùy chỉnh
• Sử dụng các thư viện mạnh mẽ của Fiji, chẳng hạn như ImgLib trên các tập dữ liệu bioimage lớn
• Triển khai ứng dụng của họ và cộng tác với các nhà khoa học khác trong các dự án tương tự

Định dạng khóa học

• Bài giảng và thảo luận tương tác.
• Nhiều bài tập và thực hành.
• Thực hiện trực tiếp trong môi trường phòng thí nghiệm.

Tùy chọn tùy chỉnh khóa học

• Để yêu cầu đào tạo tùy chỉnh cho khóa học này, vui lòng liên hệ với chúng tôi để sắp xếp.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà nghiên cứu và chuyên gia phòng thí nghiệm ở trình độ mới bắt đầu đến trung cấp, những người muốn xử lý và phân tích hình ảnh liên quan đến mô học, tế bào máu, tảo và các mẫu sinh học khác.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Điều hướng giao diện Fiji và sử dụng các chức năng cốt lõi của ImageJ.
• Tiền xử lý và nâng cao chất lượng hình ảnh khoa học để phân tích tốt hơn.
• Phân tích hình ảnh một cách định lượng, bao gồm đếm tế bào và đo diện tích.
• Tự động hóa các tác vụ lặp đi lặp lại bằng macro và plugin.
• Tùy chỉnh quy trình làm việc cho các nhu cầu phân tích hình ảnh cụ thể trong nghiên cứu sinh học.

OpenCV (Thư viện Mã nguồn mở Computer Vision: http://opencv.org) là một thư viện được cấp phép BSD mã nguồn mở bao gồm hàng trăm thuật toán thị giác máy tính.

Đối tượng

Khóa học này dành cho các kỹ sư và kiến trúc sư muốn sử dụng OpenCV cho các dự án thị giác máy tính.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các kỹ sư phần mềm muốn lập trình bằng Python với OpenCV 4 cho học sâu.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Xem, tải và phân loại hình ảnh và video bằng OpenCV 4.
• Triển khai học sâu trong OpenCV 4 với TensorFlow và Keras.
• Chạy các mô hình học sâu và tạo các báo cáo có tác động từ hình ảnh và video.

OpenFace là phần mềm nhận diện khuôn mặt dựa trên mã nguồn mở, thời gian thực, dựa trên nghiên cứu FaceNet của Google, với Python và Torch.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học cách sử dụng các thành phần của OpenFace để tạo và triển khai một ứng dụng nhận diện khuôn mặt mẫu.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Làm việc với các thành phần của OpenFace, bao gồm dlib, OpenCV, Torch và nn4 để triển khai phát hiện, căn chỉnh và chuyển đổi khuôn mặt.
• Áp dụng OpenFace vào các ứng dụng thực tế như giám sát, xác minh danh tính, thực tế ảo, trò chơi và nhận diện khách hàng thường xuyên, v.v.

Đối tượng

• Nhà phát triển
• Nhà khoa học dữ liệu

Định dạng khóa học

• Kết hợp bài giảng, thảo luận, bài tập và thực hành chuyên sâu.

Pattern Matching là một kỹ thuật được sử dụng để xác định các mẫu cụ thể trong một hình ảnh. Nó có thể được sử dụng để xác định sự tồn tại của các đặc điểm cụ thể trong một hình ảnh được chụp, ví dụ như nhãn dự kiến trên một sản phẩm bị lỗi trên dây chuyền sản xuất hoặc kích thước cụ thể của một thành phần. Nó khác với "Pattern Recognition" (nhận dạng các mẫu tổng quát dựa trên các tập hợp lớn hơn của các mẫu liên quan) ở chỗ nó đặc biệt chỉ định những gì chúng ta đang tìm kiếm, sau đó cho chúng ta biết liệu mẫu dự kiến có tồn tại hay không.

Định dạng của Khóa học

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này giới thiệu phần mềm, phần cứng và quy trình từng bước cần thiết để xây dựng hệ thống nhận diện khuôn mặt từ đầu. Nhận diện khuôn mặt còn được gọi là Face Recognition.

Phần cứng được sử dụng trong phòng thí nghiệm này bao gồm Rasberry Pi, mô-đun camera, servo (tùy chọn), v.v. Người tham gia chịu trách nhiệm mua các thành phần này. Phần mềm được sử dụng bao gồm OpenCV, Linux, Python, v.v.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Cài đặt Linux, OpenCV và các tiện ích và thư viện phần mềm khác trên Rasberry Pi.
• Cấu hình OpenCV để chụp và phát hiện hình ảnh khuôn mặt.
• Hiểu các tùy chọn khác nhau để đóng gói hệ thống Rasberry Pi để sử dụng trong môi trường thực tế.
• Điều chỉnh hệ thống cho nhiều trường hợp sử dụng khác nhau, bao gồm giám sát, xác minh danh tính, v.v.

Định dạng khóa học

• Kết hợp bài giảng, thảo luận, bài tập và thực hành nặng nề.

Lưu ý

• Các tùy chọn phần cứng và phần mềm khác bao gồm: Arduino, OpenFace, Windows, v.v. Nếu bạn muốn sử dụng bất kỳ tùy chọn nào trong số này, vui lòng liên hệ với chúng tôi để sắp xếp.

Scilab là một ngôn ngữ cấp cao, được phát triển tốt, miễn phí và mã nguồn mở, dành cho việc thao tác dữ liệu khoa học. Được sử dụng cho thống kê, đồ họa và hoạt ảnh, mô phỏng, xử lý tín hiệu, vật lý, tối ưu hóa, v.v., cấu trúc dữ liệu trung tâm của nó là ma trận, đơn giản hóa nhiều loại vấn đề so với các lựa chọn thay thế như FORTRAN và các dẫn xuất của C. Nó tương thích với các ngôn ngữ như C, Java và Python, khiến nó phù hợp để sử dụng như một phần bổ sung cho các hệ thống hiện có.

Trong khóa đào tạo trực tiếp do giảng viên hướng dẫn này, người tham gia sẽ tìm hiểu những ưu điểm của Scilab so với các lựa chọn thay thế như Matlab, kiến thức cơ bản về cú pháp Scilab cũng như một số hàm nâng cao và giao diện với các ngôn ngữ được sử dụng rộng rãi khác, tùy theo nhu cầu. Khóa học sẽ kết thúc với một dự án ngắn tập trung vào xử lý hình ảnh.

Khi kết thúc khóa đào tạo này, người tham gia sẽ nắm vững các hàm cơ bản và một số hàm nâng cao của Scilab, đồng thời có nguồn tài liệu để tiếp tục mở rộng kiến thức của mình.

Đối tượng

• Các nhà khoa học và kỹ sư dữ liệu, đặc biệt quan tâm đến xử lý hình ảnh và nhận dạng khuôn mặt

Định dạng khóa học

• Kết hợp bài giảng, thảo luận, bài tập và thực hành chuyên sâu, với một dự án cuối khóa

Buổi đào tạo trực tiếp dưới sự hướng dẫn của giảng viên tại Việt Nam (trực tuyến hoặc trực tiếp) này dành cho các chuyên gia cấp trung muốn sử dụng Vision Builder AI để thiết kế, triển khai và tối ưu hóa hệ thống kiểm tra tự động cho quá trình SMT (Surface-Mount Technology).

Tại kết thúc buổi đào tạo này, người tham gia sẽ có khả năng:

• Cài đặt và cấu hình các cuộc kiểm tra tự động bằng Vision Builder AI.
• Lấy và tiền xử lý hình ảnh chất lượng cao để phân tích.
• Triển khai quyết định dựa trên logic cho phát hiện lỗi và xác nhận quy trình.
• Tạo báo cáo kiểm tra và tối ưu hóa hiệu suất hệ thống.