Deep Learning for Self Driving Cars培訓

OpenCV （開源Computer視覺庫：http：//opencv.org）是一個開源的BSD許可庫，包含數百種計算機視覺算法。

聽眾

本課程面向尋求將OpenCV用於計算機視覺項目的工程師和建築師

這個有指導意義的實時培訓介紹了從零開始構建面部識別系統所需的軟件，硬件和分步驟過程。面部識別也被稱爲人臉識別。 本實驗中使用的硬件包括Rasberry Pi，相機模塊，舵機（可選）等。參與者負責自行購買這些組件。使用的軟件包括OpenCV，Linux，Python等。 在培訓結束後，參與者將能夠： 在Rasberry Pi上安裝Linux，OpenCV和其他軟件實用程序和庫。 配置OpenCV以捕獲和檢測面部圖像。 了解將Rasberry Pi系統打包用于實際環境的各種選項。 使系統適應各種用例，包括監視，身份驗證等。 聽衆 開發商硬件/軟件技術人員所有行業的技術人員愛好者 課程的格式 部分講座，部分討論，練習和沈重的練習 注意 其他硬件和軟件選項包括：Arduino，OpenFace，Windows等。如果您想使用其中的任何一種，請聯系我們安排。

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望使用OpenCV 4進行深度學習的Python程式設計的軟體工程師。

在培訓結束時，參與者將能夠：

• 使用 OpenCV 4 查看、載入和分類圖像和影片。
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 實現深度學習。
• 運行深度學習模型，並從圖像和視頻中生成有影響力的報告。

模式匹配是一種用於在圖像中定位指定模式的技術。它可用於確定捕獲圖像中指定特徵的存在，例如工廠生產線中缺陷產品上的預期標籤或組件的指定尺寸。它不同於“ Pattern Recognition ”（它識別基於較大的相關樣本集合的一般模式），因為它具體決定了我們正在尋找的東西，然後告訴我們預期的模式是否存在。

課程格式

• 本課程介紹了模式匹配領域中使用的方法，技術和算法，因為它適用於Machine Vision 。

這種以講師為主導的台灣現場現場培訓針對的是希望將深度學習模型應用於圖像識別應用的技術人員。

在培訓結束時，參與者將能夠：

• 安裝和配置 Keras。
• 快速構建深度學習模型原型。
• 實現卷積網路。
• 實施循環網路。
• 在 CPU 和 GPU 上執行深度學習模型。

這種以講師為主導的台灣現場現場培訓面向希望使用Keras和Python開發高級深度學習神經網路和模型的軟體工程師。

在培訓結束時，參與者將能夠：

• 使用有監督或無監督學習方法應用深度學習。
• 開發、訓練和實現併發神經網路和遞歸神經網路。
• 使用 Keras 和 Python 構建深度學習模型，以解決涉及圖像、文本、聲音等的問題。

SimpleCV是一個開源框架 - 意味著它是一組可用於開發視覺應用程序的庫和軟件。它允許您處理來自網絡攝像頭，Kinects，FireWire和IP攝像頭或移動電話的圖像或視頻流。它可以幫助您構建軟件，使您的各種技術不僅可以看到世界，還可以了解它。

聽眾

本課程面向尋求使用SimpleCV開發計算機視覺應用的工程師和開發人員。

Caffe是一個深刻的學習框架，以表達，速度和模塊化為基礎。

本課程以MNIST為例，探討了Caffe作為圖像識別的深度學習框架的應用

聽眾

本課程適合有興趣使用Caffe作為框架的Deep Learning研究人員和工程師。

完成本課程後，代表們將能夠：

• 了解Caffe的結構和部署機制
• 執行安裝/生產環境/架構任務和配置
• 評估代碼質量，執行調試，監控
• 實施高級生產，如培訓模型，實施圖層和日誌記錄

Marvin是一個用Java開發的可擴展，跨平台，開源的圖像和視頻處理框架。開發人員可以使用Marvin來處理圖像，從圖像中提取特徵以進行分類任務，通過算法生成圖形，處理視頻文件數據集以及設置單元測試自動化。

Marvin的一些視頻應用包括濾波，增強現實，物體跟踪和運動檢測。

在這個以講師為主導的實踐課程中，學員將學習圖像和視頻分析的原理，並利用Marvin框架及其圖像處理算法構建自己的應用程序。

課程格式

• 首先介紹了圖像分析，視頻分析和Marvin框架的基本原理。為學生提供基於項目的任務，使他們能夠練習所學的概念。在課程結束時，參與者將使用Marvin框架和庫開發自己的應用程序。

計算機視覺是一個涉及從數字媒體自動提取、分析和理解有用信息的領域。Python是一種高級編程語言，因其清晰的語法和代碼可讀性而聞名。

在這一由講師引導的現場培訓中，學員將使用Python逐步創建簡單的計算機視覺應用程序，並從中習得計算機視覺的基礎知識。

在本次培訓結束後，學員將能夠：

• 了解計算機視覺的基礎知識
• 使用Python來實現計算機視覺任務
• 使用Python構建自己的計算機視覺應用程序

受衆

• 對計算機視覺感興趣的Python程序員

課程形式

• 部分講座、部分討論、練習和大量實操

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望構建硬體加速物件檢測和跟蹤模型以分析流視頻數據的開發人員。

在培訓結束時，參與者將能夠：

• 安裝和配置必要的開發環境、軟體和庫以開始開發。
• 構建、訓練和部署深度學習模型以分析實時視頻源。
• 識別、跟蹤、分割和預測視頻幀中的不同物件。
• 優化目標檢測和跟蹤模型。
• 部署智能視頻分析 （IVA） 應用程式。

這種以講師為主導的台灣現場現場培訓面向後端開發人員和數據科學家，他們希望將預先訓練的YOLO模型整合到其企業驅動的程式中，並實施具有成本效益的元件進行對象檢測。

在培訓結束時，參與者將能夠：

• 使用YOLO安裝和配置物件檢測所需的必要工具和庫。
• 自訂基於 YOLO 預訓練模型運行的 Python 命令行應用程式。
• 為各種電腦視覺項目實施預訓練的 YOLO 模型框架。
• 將用於物件檢測的現有數據集轉換為 YOLO 格式。
• 瞭解用於電腦視覺和/或深度學習的YOLO演算法的基本概念。

這種以講師為主導的台灣現場現場培訓（現場或遠端）面向希望學習如何使用YOLOv7實現實時物件檢測的中高級開發人員，研究人員和數據科學家。

在培訓結束時，參與者將能夠：

• 了解對象檢測的基本概念。
• 安裝和配置 YOLOv7 以執行物件檢測任務。
• 使用 YOLOv7 訓練和測試自定義物件檢測模型。
• 將 YOLOv7 與其他電腦視覺框架和工具整合。
• 解決與 YOLOv7 實現相關的常見問題。