Kursus Pelatihan Riset Gambar dengan SimpleCV

Caffe adalah kerangka kerja pembelajaran mendalam yang dibuat dengan ekspresi, kecepatan, dan modularitas di dalam pikiran.

Kursus ini mengkaji penerapan Caffe sebagai kerangka kerja Deep learning untuk pengenalan gambar menggunakan MNIST sebagai contoh

Penonton

Kursus ini cocok untuk peneliti dan insinyur Deep Learning yang tertarik menggunakan Caffe sebagai kerangka kerja.

Setelah menyelesaikan kursus ini, peserta akan mampu:

• mengerti struktur dan mekanisme penyebaran Caffe
• melakukan tugas instalasi/lingkungan produksi/arsitektur dan konfigurasi
• menilai kualitas kode, melakukan debugging, dan pemantauan
• mengimplementasikan produksi tingkat lanjut seperti pelatihan model, menerapkan layer dan log

Pelatihan ini yang dipimpin instruktur secara langsung (online atau tatap muka) ditujukan bagi pengembang AI dan insinyur penglihatan komputer tingkat menengah yang ingin membangun sistem penglihatan yang kuat untuk aplikasi kendaraan berjalan sendiri.

Di akhir pelatihan ini, peserta akan dapat:

• Memahami konsep dasar penglihatan komputer di kendaraan berjalan sendiri.
• Mengimplementasikan algoritma untuk deteksi objek, deteksi jalur, dan segmen semantik.
• Mengintegrasikan sistem penglihatan dengan subsistem kendaraan berjalan sendiri lainnya.
• Mengaplikasikan teknik pembelajaran mendalam untuk tugas pengenalan tingkat lanjut.
• Menilai kinerja model penglihatan komputer di skenario dunia nyata.

Pelatihan ini dipandu instruktur secara langsung di Indonesia (online atau tatap muka) ditujukan untuk profesional tingkat lanjut yang ingin memperdalam pemahaman mereka tentang computer vision dan mengeksplorasi kemampuan TensorFlow untuk mengembangkan model visi canggih menggunakan Google Colab.

Pada akhir pelatihan ini, peserta akan dapat:

• Membuat dan melatih convolutional neural networks (CNNs) menggunakan TensorFlow.
• Memanfaatkan Google Colab untuk pengembangan model berbasis cloud yang skala besar dan efisien.
• Mengimplementasikan teknik preprocessing gambar untuk tugas-tugas computer vision.
• Menerapkan model visi komputer untuk aplikasi dunia nyata.
• Menggunakan transfer learning untuk meningkatkan kinerja model CNN.
• Memvisualisasikan dan menginterpretasikan hasil dari model klasifikasi gambar.

Pelatihan ini yang dipimpin instruktur, pelatihan online langsung atau pelatihan langsung tatap muka, ditujukan untuk insinyur penglihatan komputer tingkat menengah hingga mahir, pengembang AI, dan profesional IoT yang ingin mengimplementasikan dan mengoptimalkan model penglihatan komputer untuk pemrosesan waktu nyata di perangkat edge.

Di akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar Edge AI dan aplikasi-nya dalam penglihatan komputer.
• Mendeploy model pembelajaran mendalam yang teroptimasi di perangkat edge untuk analisis gambar dan video waktu nyata.
• Menggunakan kerangka kerja seperti TensorFlow Lite, OpenVINO, dan NVIDIA Jetson SDK untuk penyebaran model.
• Mengoptimalkan model AI untuk kinerja, efisiensi daya, dan inferensi rendah latensi.

Ini adalah pelatihan online langsung atau pelatihan langsung tatap muka yang dipimpin instruktur dan ditujukan untuk personel pengawasan hukum tingkat pemula yang ingin beralih dari menggambar wajah secara manual ke penggunaan alat AI untuk mengembangkan sistem pengenalan wajah.

Di akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar Kecerdasan Buatan dan Belajar Mesin.
• Belajar dasar pemrosesan gambar digital dan aplikasinya dalam pengenalan wajah.
• Mengembangkan keterampilan dalam menggunakan alat dan kerangka kerja AI untuk membuat model pengenalan wajah.
• Mendapatkan pengalaman tangan pertama dalam membuat, melatih, dan menguji sistem pengenalan wajah.
• Memahami pertimbangan etis dan praktik terbaik dalam penggunaan teknologi pengenalan wajah.

Fiji adalah paket pemrosesan gambar sumber terbuka yang menggabungkan ImageJ (program pemrosesan gambar untuk gambar multidimensi ilmiah) dan sejumlah plugin untuk analisis gambar ilmiah.

Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan distribusi Fiji dan program ImageJ yang mendasarinya untuk membuat aplikasi analisis gambar.

Pada akhir pelatihan ini, peserta akan dapat:

• Gunakan fitur pemrograman tingkat lanjut dan komponen perangkat lunak Fiji untuk memperluas ImageJ
• Jahit gambar 3D besar dari ubin yang tumpang tindih
• Perbarui instalasi Fiji secara otomatis saat memulai menggunakan sistem pembaruan terintegrasi
• Pilih dari berbagai pilihan bahasa skrip untuk membangun solusi analisis gambar khusus
• Gunakan pustaka Fiji yang canggih, seperti ImgLib pada kumpulan data bioimage yang besar
• Menerapkan aplikasi mereka dan berkolaborasi dengan ilmuwan lain pada proyek serupa

Format Kursus

• Kuliah dan diskusi interaktif.
• Banyak latihan dan praktik.
• Implementasi langsung di lingkungan lab langsung.

Opsi Kustomisasi Kursus

• Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.

Pelatihan ini dipandu oleh instruktur dan dilakukan secara langsung (online atau tatap muka) ditujukan kepada peneliti dan profesional laboratorium tingkat pemula hingga menengah yang ingin memproses dan menganalisis gambar terkait jaringan histologis, sel darah, alga, dan sampel biologis lainnya.

Pada akhir pelatihan ini, peserta akan dapat:

• Menavigasi antarmuka Fiji dan memanfaatkan fungsi inti ImageJ.
• Mempraproses dan meningkatkan gambar ilmiah untuk analisis yang lebih baik.
• Menganalisis gambar secara kuantitatif, termasuk penghitungan sel dan pengukuran luasan.
• Mengotomatisasi tugas berulang menggunakan makro dan plugin.
• Menyesuaikan alur kerja untuk kebutuhan analisis gambar spesifik dalam penelitian biologis.

OpenCV (Open Source Computer Vision Library: http://opencv.org) adalah library berlisensi BSD open-source yang mencakup beberapa ratus algoritma visi komputer.

Hadirin

Kursus ini ditujukan untuk para insinyur dan arsitek yang ingin memanfaatkan OpenCV untuk proyek visi komputer

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk insinyur perangkat lunak yang ingin memprogram dalam Python dengan OpenCV 4 untuk pembelajaran mendalam.

Pada akhir pelatihan ini, peserta akan mampu:

• Melihat, memuat, dan mengklasifikasikan gambar dan video menggunakan OpenCV 4.
• Terapkan pembelajaran mendalam di OpenCV 4 dengan TensorFlow dan Keras.
• Jalankan model pembelajaran mendalam dan hasilkan laporan yang berdampak dari gambar dan video.

Pattern Matching adalah teknik yang digunakan untuk menemukan pola tertentu dalam sebuah gambar. Teknik ini dapat digunakan untuk menentukan keberadaan karakteristik tertentu dalam gambar yang diambil, misalnya label yang diharapkan pada produk cacat di jalur produksi pabrik atau dimensi komponen tertentu. Teknik ini berbeda dari "Pattern Recognition" (yang mengenali pola umum berdasarkan kumpulan sampel terkait yang lebih besar) karena teknik ini secara spesifik mendiktekan apa yang kita cari, lalu memberi tahu kita apakah pola yang diharapkan itu ada atau tidak.

Format Kursus

• Kursus ini memperkenalkan pendekatan, teknologi, dan algoritma yang digunakan dalam bidang pencocokan pola sebagaimana diterapkan pada Machine Vision.

Computer Vision adalah bidang yang melibatkan ekstraksi, analisis, dan pemahaman informasi berguna dari media digital secara otomatis. Python adalah bahasa pemrograman tingkat tinggi yang terkenal dengan sintaksnya yang jelas dan keterbacaan kode.

Dalam pelatihan langsung yang dipandu oleh instruktur ini, peserta akan mempelajari dasar-dasar Computer Vision saat mereka menelusuri pembuatan serangkaian aplikasi Computer Vision sederhana menggunakan Python.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami dasar-dasar Computer Vision
• Menggunakan Python untuk mengimplementasikan tugas Computer Vision
• Membangun sistem deteksi wajah, objek, dan gerakan mereka sendiri

Target Peserta

• Programmer Python yang tertarik dengan Computer Vision

Format Kursus

• Sebagian kuliah, sebagian diskusi, latihan, dan praktik langsung yang intensif

Pelatihan langsung yang dipimpin instruktur di Indonesia (daring atau tatap muka) ini ditujukan untuk profesional level menengah yang ingin menggunakan Vision Builder AI untuk merancang, mengimplementasikan, dan memperbaiki sistem inspeksi otomatis untuk proses SMT (Surface-Mount Technology).

Selesai pelatihan ini, peserta akan dapat:

• Mengatur dan mengonfigurasi inspeksi otomatis menggunakan Vision Builder AI.
• Mendapatkan dan mempraproses gambar berkualitas tinggi untuk analisis.
• Melaksanakan keputusan berbasis logika untuk deteksi cacat dan validasi proses.
• Menghasilkan laporan inspeksi dan memperbaiki kinerja sistem.

Pelatihan ini yang dipandu instruktur (pelatihan online langsung atau pelatihan langsung tatap muka) ditujukan untuk pengembang backend dan ilmuwan data yang ingin mengintegrasikan model pre-trained YOLO ke dalam program berbasis perusahaan mereka dan menerapkan komponen biaya-efektif untuk deteksi objek.

Setelah pelatihan ini, peserta akan dapat:

• Menginstal dan mengonfigurasi alat dan perpustakaan yang diperlukan untuk deteksi objek menggunakan YOLO.
• Mencustomisasi aplikasi baris-perintah Python yang beroperasi berdasarkan model pre-trained YOLO.
• Implementasikan kerangka kerja model pre-trained YOLO untuk proyek-proyek visi komputer yang beragam.
• Mengonversi dataset yang ada untuk deteksi objek ke format YOLO.
• Memahami konsep dasar algoritma YOLO untuk visi komputer dan/atau pembelajaran mendalam (deep learning).

Pelatihan ini, yang dipimpin instruktur, diselenggarakan dalam bentuk Indonesia (pelatihan online langsung atau pelatihan langsung tatap muka) dan ditujukan untuk pengembang, peneliti, dan ilmuwan data tingkat menengah hingga lanjut yang ingin mempelajari bagaimana mengimplementasikan deteksi objek real-time menggunakan YOLOv7.

Setelah menyelesaikan pelatihan ini, peserta akan mampu:

• Memahami konsep dasar deteksi objek.
• Menginstal dan mengkonfigurasi YOLOv7 untuk tugas-tugas deteksi objek.
• Melatih dan menguji model deteksi objek kustom menggunakan YOLOv7.
• Mengintegrasikan YOLOv7 dengan kerangka kerja dan alat penglihatan komputer lainnya.
• Memperbaiki masalah umum terkait dengan implementasi YOLOv7.