Curso de Real-Time Object Detection with YOLO
YOLO (You Only Look Once) es un algoritmo que se transforma en modelos pre-entrenados para la detección de objetos. Está probado por el marco de red neural de Darknet, lo que lo hace ideal para desarrollar características de visión de ordenador basadas en el conjunto de datos COCO (Objetos Comúnes en Contexto). Las últimas variantes del marco YOLO, YOLOv3-v4, permiten a los programas ejecutar eficientemente las tareas de localización y clasificación de objetos mientras se ejecutan en tiempo real.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a desarrolladores y científicos de datos que desean incorporar modelos YOLO pre- entrenados en sus programas orientados a la empresa y implementar componentes rentables para la detección de objetos.
Al final de este curso, los participantes podrán:
- Instalar y configurar las herramientas y bibliotecas necesarias en la detección de objetos utilizando YOLO.
- Personalizar las aplicaciones de línea de comando Python que funcionan basadas en los modelos pre-entrenados de YOLO.
- Implementar el marco de los modelos YOLO pre-entendidos para varios proyectos de visión informática.
- Convertir los conjuntos de datos existentes para la detección de objetos en formato YOLO.
- Comprender los conceptos fundamentales del algoritmo YOLO para la visión informática y/o el aprendizaje profundo.
Formato del curso
- Lecciones y discusiones interactivas.
- Muchos ejercicios y prácticas.
- Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
- Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Programa del Curso
Introducción
Descripción general de las características y la arquitectura de los modelos preentrenados de YOLO
- El algoritmo YOLO
- Algoritmos basados en regresión para la detección de objetos
- ¿En qué se diferencia YOLO de RCNN?
Utilización de la variante YOLO adecuada
- Características y arquitectura de YOLOv1-v2
- Características y arquitectura de YOLOv3-v4
Instalación y configuración del IDE para implementaciones de YOLO
- La implementación de la Darknet
- Las implementaciones de PyTorch y Keras
- Ejecución de OpenCV y NumPy
Descripción general de la detección de objetos mediante modelos preentrenados de YOLO
Creación y personalización de Python aplicaciones de línea de comandos
- Etiquetado de imágenes mediante el marco YOLO
- Clasificación de imágenes basada en un conjunto de datos
Detección de objetos en imágenes con implementaciones de YOLO
- ¿Cómo funcionan los cuadros delimitadores?
- ¿Qué tan preciso es YOLO para la segmentación de instancias?
- Análisis de los argumentos de la línea de comandos
Extracción de las etiquetas, coordenadas y dimensiones de la clase YOLO
Visualización de las imágenes resultantes
Detección de objetos en secuencias de vídeo con implementaciones de YOLO
- ¿En qué se diferencia del procesamiento básico de imágenes?
Entrenamiento y prueba de las implementaciones de YOLO en un marco
Solución de problemas y depuración
Resumen y conclusión
Requerimientos
- Python Experiencia en programación 3.x
- Conocimientos básicos de cualquier Python IDE
- Experiencia con Python argparse y argumentos de línea de comandos
- Comprensión de librerías de visión artificial y aprendizaje automático
- Comprensión de los algoritmos fundamentales de detección de objetos
Audiencia
- Desarrolladores de backend
- Científicos de datos
Los cursos de formación abiertos requieren más de 5 participantes.
Curso de Real-Time Object Detection with YOLO - Booking
Curso de Real-Time Object Detection with YOLO - Enquiry
Real-Time Object Detection with YOLO - Consultas
Consultas
Testimonios (2)
El entrenador era muy conocedor y abierto a recibir retroalimentación sobre el ritmo al que avanzar con el contenido y los temas que cubrimos. Aprendí mucho del entrenamiento y me siento como si ahora tuviera un buen dominio de la manipulación de imágenes y algunas técnicas para crear un conjunto de entrenamiento sólido para un problema de clasificación de imágenes.
Anthea King - WesCEF
Curso - Computer Vision with Python
Traducción Automática
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Curso - Computer Vision with OpenCV
Traducción Automática
Próximos cursos
Cursos Relacionados
Aprendizaje Profundo para la Visión con Caffe
21 HorasCaffe es un marco de aprendizaje profundo creado teniendo en cuenta la expresión, la velocidad y la modularidad.
Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando MNIST como ejemplo
Audiencia
Este curso es adecuado para investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco.
Después de completar este curso, los delegados podrán:
- Entender la estructura de Caffe y los mecanismos de despliegue.
- realizar tareas de instalación / entorno de producción / arquitectura y configuración.
- evaluar la calidad del código, realizar depuración, monitoreo
- Implementar producción avanzada como modelos de entrenamiento, implementación de capas y registro.
AI Facial Recognition Development for Law Enforcement
21 HorasEsta capacitación en vivo dirigida por un instructor en Chile (en línea o presencial) está dirigida a personal policial de nivel principiante que desea pasar del dibujo facial manual al uso de herramientas de IA para desarrollar sistemas de reconocimiento facial.
Al final de esta formación, los participantes serán capaces de:
- Comprender los fundamentos de la Inteligencia Artificial y Machine Learning.
- Aprenda los conceptos básicos del procesamiento digital de imágenes y su aplicación en el reconocimiento facial.
- Desarrollar habilidades en el uso de herramientas y marcos de IA para crear modelos de reconocimiento facial.
- Adquiera experiencia práctica en la creación, capacitación y prueba de sistemas de reconocimiento facial.
- Comprender las consideraciones éticas y las mejores prácticas en el uso de la tecnología de reconocimiento facial.
Fiji: Introducción al Procesamiento de Imágenes Científicas
21 HorasFiji es un paquete de procesamiento de imágenes de código abierto que agrupa ImageJ (un programa de procesamiento de imágenes para imágenes multidimensionales científicas) y una serie de complementos para el análisis de imágenes científicas.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán cómo usar la distribución Fiji y su programa ImageJ subyacente para crear una aplicación de análisis de imágenes.
Al final de esta formación, los participantes serán capaces de:
- Utilice las funciones de programación avanzadas y los componentes de software de Fiji para ampliar ImageJ
- Unir imágenes 3D de gran tamaño a partir de mosaicos superpuestos
- Actualización automática de una instalación de Fiji al iniciarse mediante el sistema de actualización integrado
- Seleccione entre una amplia selección de lenguajes de scripting para crear soluciones de análisis de imágenes personalizadas
- Utilice las potentes bibliotecas de Fiji, como ImgLib, en grandes conjuntos de datos de bioimágenes
- Implemente su aplicación y colabore con otros científicos en proyectos similares
Formato del curso
- Charla y discusión interactiva.
- Muchos ejercicios y práctica.
- Implementación práctica en un entorno de laboratorio en vivo.
Opciones de personalización del curso
- Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertarlo.
Fiji: Image Processing for Biotechnology and Toxicology
14 HorasEsta capacitación en línea dirigida por un instructor en Chile (en línea o en el sitio) está dirigida a investigadores y profesionales de laboratorio de nivel principiante a intermedio que desean procesar y analizar imágenes relacionadas con tejidos histológicos, células sanguíneas, algas y otras muestras biológicas.
Al final de esta capacitación, los participantes podrán:
- Navegar por la interfaz de Fiji y utilizar las funciones principales de ImageJ.
- Preprocesar y mejorar imágenes científicas para un mejor análisis.
- Analizar imágenes de manera quantitativa, incluida la contagem de células y la medición de áreas.
- Automatizar tareas repetitivas usando macros y complementos.
- Personalizar flujos de trabajo para necesidades específicas de análisis de imágenes en investigación biológica.
Visión por Computadora con OpenCV
28 HorasOpenCV (Open Source Computer Vision Library: http://opencv.org) es una biblioteca de licencia BSD de código abierto que incluye varios centenares de algoritmos de visión por ordenador.
Audiencia
Este curso está dirigido a ingenieros y arquitectos que buscan utilizar OpenCV para proyectos de visión por computadora
Python and Deep Learning with OpenCV 4
14 HorasEsta capacitación en vivo dirigida por un instructor en Chile (en línea o presencial) está dirigida a ingenieros de software que desean programar en Python con OpenCV 4 para el aprendizaje profundo.
Al final de esta formación, los participantes serán capaces de:
- Vea, cargue y clasifique imágenes y vídeos con OpenCV 4.
- Implemente el aprendizaje profundo en OpenCV, 4 con TensorFlow y Keras.
- Ejecute modelos de aprendizaje profundo y genere informes impactantes a partir de imágenes y vídeos.
OpenFace: Creación de Sistemas de Reconocimiento Facial
14 HorasOpenFace es Python y Torch un software de reconocimiento facial en tiempo real de código abierto basado en la investigación de FaceNet de Google.
En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar los componentes de OpenFace para crear e implementar una aplicación de reconocimiento facial de muestra.
Al final de esta formación, los participantes serán capaces de:
- Trabaje con los componentes de OpenFace, incluidos dlib, OpenVC Torch y nn4 para implementar la detección, alineación y transformación de rostros
- Aplique OpenFace a aplicaciones del mundo real como vigilancia, verificación de identidad, realidad virtual, juegos e identificación de clientes habituales, etcétera.
Audiencia
- Desarrolladores
- Científicos de datos
Formato del curso
- En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada
Búsqueda de Patrones
14 HorasPattern Matching es una técnica utilizada para localizar patrones específicos dentro de una imagen. Se puede utilizar para determinar la existencia de características especificadas dentro de una imagen capturada, por ejemplo, la etiqueta esperada en un producto defectuoso en una línea de fábrica o las dimensiones especificadas de un componente. Es diferente de "Pattern Recognition" (que reconoce patrones generales basados en colecciones más grandes de muestras relacionadas) en que dicta específicamente lo que estamos buscando, y luego nos dice si el patrón esperado existe o no.
Formato del curso
- Este curso presenta los enfoques, tecnologías y algoritmos utilizados en el campo de la coincidencia de patrones en su aplicación a Machine Vision.
Visión por computadora con Python
14 HorasComputer Vision es un campo que implica la extracción, análisis y comprensión automática de información útil a partir de medios digitales. Python es un lenguaje de programación de alto nivel famoso por su sintaxis clara y la legibilidad de su código.
En este entrenamiento en vivo dirigido por un instructor, los participantes aprenderán los conceptos básicos de Computer Vision mientras avanzan en la creación de una serie de aplicaciones simples de Computer Vision utilizando Python.
Al finalizar este entrenamiento, los participantes podrán:
- Comprender los conceptos básicos de Computer Vision
- Utilizar Python para implementar tareas de Computer Vision
- Construir sus propios sistemas de detección de rostros, objetos y movimiento
Audiencia
- Programadores de Python interesados en Computer Vision
Formato del curso
- Parte teórica, parte discusión, ejercicios y práctica intensiva
Raspberry Pi + OpenCV: Construye un Sistema de Reconocimiento Facial
21 HorasEsta capacitación en vivo dirigida por un instructor presenta el software, el hardware y el proceso paso a paso necesarios para crear un sistema de reconocimiento facial desde cero. El reconocimiento facial también se conoce como Face Recognition.
El hardware utilizado en este laboratorio incluye Rasberry Pi, un módulo de cámara, servos (opcionales), etcétera. Los participantes son responsables de comprar estos componentes ellos mismos. El software utilizado incluye OpenCV, Linux, Python, etcétera.
Al final de esta formación, los participantes serán capaces de:
- Instale Linux, OpenCV y otras utilidades y bibliotecas de software en una Rasberry Pi.
- Configure OpenCV para capturar y detectar imágenes faciales.
- Comprenda las diversas opciones para empaquetar un sistema Rasberry Pi para su uso en entornos del mundo real.
- Adapte el sistema para una variedad de casos de uso, incluida la vigilancia, la verificación de identidad, etcétera.
Formato del curso
- En parte conferencia, en parte discusión, ejercicios y práctica práctica pesada
Nota
- Otras opciones de hardware y software incluyen: Arduino, OpenFace, Windows, etcétera. Si desea utilizar alguno de ellos, póngase en contacto con nosotros para concertarlo.
Curso de Scilab
14 HorasScilab es un lenguaje de alto nivel bien desarrollado, gratuito y de código abierto para la manipulación de datos científicos. Utilizado para estadísticas, gráficos y animación, simulación, procesamiento de señales, física, optimización y más, su estructura de datos central es la matriz, lo que simplifica muchos tipos de problemas en comparación con alternativas como FORTRAN y derivados de C. Es compatible con lenguajes como C, Java y Python, por lo que es adecuado para su uso como complemento de los sistemas existentes.
En esta capacitación dirigida por un instructor, los participantes aprenderán las ventajas de Scilab en comparación con alternativas como Matlab, los conceptos básicos de la sintaxis Scilab, así como algunas funciones avanzadas, y la interfaz con otros lenguajes ampliamente utilizados, según la demanda. El curso concluirá con un breve proyecto centrado en el procesamiento de imágenes.
Al final de esta formación, los participantes tendrán una comprensión de las funciones básicas y algunas funciones avanzadas de Scilab, y tendrán los recursos para seguir ampliando sus conocimientos.
Audiencia
- Científicos e ingenieros de datos, especialmente con interés en el procesamiento de imágenes y el reconocimiento facial
Formato del curso
- Parte conferencia, parte discusión, ejercicios y práctica intensiva, con un proyecto final
Visión artificial con SimpleCV
14 HorasSimpleCV es un marco de código abierto, lo que significa que es una colección de bibliotecas y software que puede usar para desarrollar aplicaciones de visión. Le permite trabajar con las imágenes o secuencias de vídeo que provienen de cámaras web, Kinects, FireWire y cámaras IP, o teléfonos móviles. Le ayuda a crear software para que sus diversas tecnologías no solo vean el mundo, sino que también lo entiendan.
Audiencia
Este curso está dirigido a ingenieros y desarrolladores que buscan desarrollar aplicaciones de visión artificial con SimpleCV.
Vision Builder for Automated Inspection
35 HorasEsta formación en vivo dirigida por un instructor en Chile (en línea o presencial) está destinada a profesionales de nivel intermedio que desean utilizar Vision Builder AI para diseñar, implementar y optimizar sistemas de inspección automatizados para procesos SMT (Surface-Mount Technology).
Al final de esta formación, los participantes podrán:
- Configurar e instalar inspecciones automatizadas utilizando Vision Builder AI.
- Adquirir y preprocesar imágenes de alta calidad para su análisis.
- Implementar decisiones basadas en lógica para la detección de defectos y validación del proceso.
- Generar informes de inspección y optimizar el rendimiento del sistema.