Computer Vision Pelatihan Daring di Indonesia

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.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau onsite) ini ditujukan untuk profesional tingkat lanjut yang ingin memperdalam pemahaman mereka tentang penglihatan komputer dan mengeksplorasi kemampuan TensorFlow dalam mengembangkan model penglihatan canggih menggunakan Google Colab.

Pada akhir pelatihan ini, peserta akan dapat:

• Membuat dan melatih jaringan saraf konvolusional (CNNs) menggunakan TensorFlow.
• Menggunakan Google Colab untuk pengembangan model berbasis cloud yang dapat di skalakan dan efisien.
• Melaksanakan teknik pra-pemrosesan citra untuk tugas penglihatan komputer.
• Mengimplementasikan model penglihatan komputer untuk aplikasi dunia nyata.
• Menggunakan transfer learning untuk meningkatkan kinerja model CNN.
• Visualisasi dan interpretasi hasil dari model klasifikasi citra.

SDK CANN (Arsitektur Komputasi untuk Neural Networks) menyediakan alat penyebaran dan optimasi yang powerful untuk aplikasi AI secara real-time dalam visi komputer dan NLP, khususnya pada perangkat keras Huawei Ascend.

Pelatihan berorientasi instruktur ini (daring atau tatap muka) ditujukan bagi praktisi AI level menengah yang ingin membangun, menyebarkan, dan mengoptimalkan model visi dan bahasa menggunakan SDK CANN untuk kasus penggunaan produksi.

Selesai pelatihan ini, peserta akan dapat:

• Menyebarkan dan mengoptimalkan model CV dan NLP menggunakan CANN dan AscendCL.
• Menggunakan alat-alat CANN untuk mengonversi model dan mengintegrasikannya ke dalam pipa kerja langsung.
• Memaksimalkan kinerja inferensi untuk tugas seperti deteksi, klasifikasi, dan analisis sentimen.
• Membangun pipa kerja CV/NLP secara real-time untuk skenario penyebaran edge atau berbasis cloud.

Format Kursus

• Kuliah interaktif dan demonstrasi.
• Praktek langsung dengan model penyebaran dan profil kinerja.
• Desain pipa kerja langsung menggunakan kasus penggunaan CV dan NLP nyata.

Opsi Pemaduan Kursus

• Untuk meminta pelatihan yang dipersonalisasi untuk kursus ini, silakan hubungi kami untuk mengatur.

Pelatihan langsung yang dipandu oleh instruktur ini, di Indonesia (online atau onsite), ditujukan bagi pengembang AI dan insinyur visi komputer tingkat menengah yang ingin membangun sistem visi yang kuat untuk aplikasi mengemudi otonom.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami konsep dasar visi komputer dalam kendaraan otonom.
• Mengimplementasikan algoritma untuk deteksi objek, deteksi jalur, dan segmentasi semantik.
• Mengintegrasikan sistem visi dengan subsistem kendaraan otonom lainnya.
• Menerapkan teknik pembelajaran mendalam untuk tugas persepsi lanjutan.
• Mengevaluasi kinerja model visi komputer dalam skenario dunia nyata.

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.

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

Setelah mengikuti pelatihan ini, peserta akan dapat:

• Menavigasi antarmuka Fiji dan menggunakan fungsi inti ImageJ.
• Memproses dan meningkatkan gambar ilmiah untuk analisis yang lebih baik.
• Menganalisis gambar secara kuantitatif, termasuk pengehitungan sel dan pengukuran area.
• Mengotomatisasi tugas repetitif menggunakan makro dan plugin.
• Menyesuaikan alur kerja untuk kebutuhan analisis gambar tertentu dalam penelitian biologi.

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 langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk pengembang, peneliti, dan ilmuwan data tingkat menengah hingga mahir yang ingin mempelajari cara menerapkan deteksi objek waktu nyata menggunakan YOLOv7.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami konsep dasar deteksi objek.
• Instal dan konfigurasikan YOLOv7 untuk tugas deteksi objek.
• Melatih dan menguji model deteksi objek khusus menggunakan YOLOv7.
• Integrasikan YOLOv7 dengan kerangka kerja dan alat visi komputer lainnya.
• Memecahkan masalah umum yang terkait dengan implementasi YOLOv7.

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

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.

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.

SimpleCV adalah kerangka kerja sumber terbuka — artinya ini adalah kumpulan pustaka dan perangkat lunak yang dapat Anda gunakan untuk mengembangkan aplikasi visual. Kerangka kerja ini memungkinkan Anda bekerja dengan gambar atau aliran video yang berasal dari webcam, Kinect, FireWire dan kamera IP, atau ponsel. Kerangka kerja ini membantu Anda membangun perangkat lunak untuk membuat berbagai teknologi Anda tidak hanya melihat dunia, tetapi juga memahaminya.

Hadirin

Kursus ini ditujukan untuk para insinyur dan pengembang yang ingin mengembangkan aplikasi visi komputer dengan SimpleCV.

Pelatihan ini, yang dipimpin instruktur secara langsung di Indonesia (online atau tatap muka) ditujukan untuk pengembang back-end dan ilmuwan data yang ingin memasukkan model YOLO yang sudah dilatih ke dalam program-program mereka yang didorong oleh perusahaan dan menerapkan komponen biaya-efektif untuk pengenalan objek.

Setelah menyelesaikan pelatihan ini, peserta akan dapat:

• Memasang dan mengkonfigurasi alat dan perpustakaan yang diperlukan untuk pengenalan objek menggunakan YOLO.
• Membuat ulang aplikasi Python command-line yang beroperasi berdasarkan model YOLO yang sudah dilatih.
• Menerapkan kerangka model YOLO yang sudah dilatih untuk berbagai proyek penglihatan komputer.
• Mengubah dataset yang ada untuk pengenalan objek menjadi format YOLO.
• Memahami konsep dasar algoritma YOLO untuk penglihatan komputer dan/atau pembelajaran mendalam.