Computer Vision with SimpleCV Training Course

Caffe is a deep learning framework made with expression, speed, and modularity in mind.

This course explores the application of Caffe as a Deep learning framework for image recognition using MNIST as an example

Audience

This course is suitable for Deep Learning researchers and engineers interested in utilizing Caffe as a framework.

After completing this course, delegates will be able to:

• understand Caffe’s structure and deployment mechanisms
• carry out installation / production environment / architecture tasks and configuration
• assess code quality, perform debugging, monitoring
• implement advanced production like training models, implementing layers and logging

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk personel penegakan hukum tingkat pemula yang ingin beralih dari sketsa wajah manual ke penggunaan alat AI untuk mengembangkan sistem pengenalan wajah.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami dasar-dasar Kecerdasan Buatan dan Machine Learning.
• Pelajari dasar-dasar pemrosesan gambar digital dan penerapannya dalam pengenalan wajah.
• Mengembangkan keterampilan dalam menggunakan alat dan kerangka kerja AI untuk membuat model pengenalan wajah.
• Dapatkan pengalaman langsung dalam membuat, melatih, dan menguji sistem pengenalan wajah.
• Memahami pertimbangan etika 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 langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk peneliti dan profesional laboratorium tingkat pemula hingga menengah yang ingin memproses dan menganalisis gambar yang terkait dengan jaringan histologis, sel darah, alga, dan sampel biologis lainnya.

Pada akhir pelatihan ini, peserta akan dapat:

• Jelajahi antarmuka Fiji dan manfaatkan fungsi inti ImageJ.
• Memproses terlebih dahulu dan menyempurnakan gambar ilmiah untuk analisis yang lebih baik.
• Menganalisis gambar secara kuantitatif, termasuk penghitungan sel dan pengukuran luas.
• Otomatisasi tugas berulang menggunakan makro dan plugin.
• Sesuaikan alur kerja untuk kebutuhan analisis gambar tertentu dalam penelitian biologi.

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.

OpenFace adalah Python dan Torch perangkat lunak pengenalan wajah real-time berbasis open-source yang didasarkan pada penelitian FaceNet milik Google.

Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan komponen OpenFace untuk membuat dan menerapkan contoh aplikasi pengenalan wajah.

Pada akhir pelatihan ini, peserta akan dapat:

• Bekerja dengan komponen OpenFace, termasuk dlib, OpenVC, Torch, dan nn4 untuk mengimplementasikan deteksi wajah, penyelarasan, dan transformasi
• Terapkan OpenFace ke aplikasi dunia nyata seperti pengawasan, verifikasi identitas, realitas virtual, permainan, dan mengidentifikasi pelanggan tetap, dll.

Hadirin

• Pengembang
• Ilmuwan data

Format kursus

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

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 dipandu instruktur ini memperkenalkan perangkat lunak, perangkat keras, dan proses langkah demi langkah yang diperlukan untuk membangun sistem pengenalan wajah dari awal. Pengenalan Wajah juga dikenal sebagai Face Recognition.

Perangkat keras yang digunakan dalam lab ini meliputi Rasberry Pi, modul kamera, servo (opsional), dll. Peserta bertanggung jawab untuk membeli sendiri komponen-komponen ini. Perangkat lunak yang digunakan meliputi OpenCV, Linux, Python, dll.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal Linux, OpenCV dan utilitas perangkat lunak serta pustaka lainnya di Rasberry Pi.
• Konfigurasikan OpenCV untuk menangkap dan mendeteksi gambar wajah.
• Pahami berbagai pilihan untuk mengemas sistem Rasberry Pi untuk digunakan di lingkungan dunia nyata.
• Sesuaikan sistem untuk berbagai kasus penggunaan, termasuk pengawasan, verifikasi identitas, dll.

Format kursus

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

Catatan

• Pilihan perangkat keras dan perangkat lunak lainnya meliputi: Arduino, OpenFace, Windows, dll. Jika Anda ingin menggunakan salah satu di antaranya, silakan hubungi kami untuk mengaturnya.

Scilab is a well-developed, free, and open-source high-level language for scientific data manipulation. Used for statistics, graphics and animation, simulation, signal processing, physics, optimization, and more, its central data structure is the matrix, simplifying many types of problems compared to alternatives such as FORTRAN and C derivatives. It is compatible with languages such as C, Java, and Python, making it suitable as for use as a supplement to existing systems.

In this instructor-led training, participants will learn the advantages of Scilab compared to alternatives like Matlab, the basics of the Scilab syntax as well as some advanced functions, and interface with other widely used languages, depending on demand. The course will conclude with a brief project focusing on image processing.

By the end of this training, participants will have a grasp of the basic functions and some advanced functions of Scilab, and have the resources to continue expanding their knowledge.

Audience

• Data scientists and engineers, especially with interest in image processing and facial recognition

Format of the course

• Part lecture, part discussion, exercises and intensive hands-on practice, with a final project

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.

This instructor-led, live training in Indonesia (online or onsite) is aimed at back-end developers and data scientists who wish to incorporate pre-trained YOLO models into their enterprise-driven programs and implement cost-effective components for object-detection.

By the end of this training, participants will be able to:

• Install and configure the necessary tools and libraries required in object detection using YOLO.
• Customize Python command-line applications that operate based on YOLO pre-trained models.
• Implement the framework of pre-trained YOLO models for various computer vision projects.
• Convert existing datasets for object detection into YOLO format.
• Understand the fundamental concepts of the YOLO algorithm for computer vision and/or deep learning.