Deep Learning for Self Driving Cars培训

OpenCV （开源Computer视觉库：http：//opencv.org）是一个开源的BSD许可库，包含数百种计算机视觉算法。

听众

本课程面向寻求将OpenCV用于计算机视觉项目的工程师和建筑师

这种以讲师为主导的中国现场培训（现场或远程）针对的是希望使用OpenCV 4进行深度学习的Python编程的软件工程师。

在培训结束时，参与者将能够：

• 使用 OpenCV 4 查看、加载和分类图像和视频。
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 实现深度学习。
• 运行深度学习模型，并从图像和视频中生成有影响力的报告。

这个有指导意义的实时培训介绍了从零开始构建面部识别系统所需的软件，硬件和分步骤过程。面部识别也被称为人脸识别。 本实验中使用的硬件包括Rasberry Pi，相机模块，舵机（可选）等。参与者负责自行购买这些组件。使用的软件包括OpenCV，Linux，Python等。 在培训结束后，参与者将能够： 在Rasberry Pi上安装Linux，OpenCV和其他软件实用程序和库。 配置OpenCV以捕获和检测面部图像。 了解将Rasberry Pi系统打包用于实际环境的各种选项。 使系统适应各种用例，包括监视，身份验证等。 听众 开发商硬件/软件技术人员所有行业的技术人员爱好者 课程的格式 部分讲座，部分讨论，练习和沉重的练习 注意 其他硬件和软件选项包括：Arduino，OpenFace，Windows等。如果您想使用其中的任何一种，请联系我们安排。

模式匹配是一种用于在图像中定位指定模式的技术。它可用于确定捕获图像中指定特征的存在，例如工厂生产线中缺陷产品上的预期标签或组件的指定尺寸。它不同于“ Pattern Recognition ”（它识别基于较大的相关样本集合的一般模式），因为它具体指示了我们正在寻找的东西，然后告诉我们预期的模式是否存在。

课程格式

• 本课程介绍了模式匹配领域中使用的方法，技术和算法，因为它适用于Machine Vision 。

这种以讲师为主导的中国现场现场培训针对的是希望将深度学习模型应用于图像识别应用的技术人员。

在培训结束时，参与者将能够：

• 安装和配置 Keras。
• 快速构建深度学习模型原型。
• 实现卷积网络。
• 实施循环网络。
• 在 CPU 和 GPU 上执行深度学习模型。

这种以讲师为主导的中国现场现场培训面向希望使用Keras和Python开发高级深度学习神经网络和模型的软件工程师。

在培训结束时，参与者将能够：

• 使用有监督或无监督学习方法应用深度学习。
• 开发、训练和实现并发神经网络和递归神经网络。
• 使用 Keras 和 Python 构建深度学习模型，以解决涉及图像、文本、声音等的问题。

Caffe是一个深刻的学习框架，以表达，速度和模块化为基础。

本课程以MNIST为例，探讨了Caffe作为图像识别的深度学习框架的应用

听众

本课程适合有兴趣使用Caffe作为框架的Deep Learning研究人员和工程师。

完成本课程后，代表们将能够：

• 了解Caffe的结构和部署机制
• 执行安装/生产环境/架构任务和配置
• 评估代码质量，执行调试，监控
• 实施高级生产，如培训模型，实施图层和日志记录

Marvin是一个用Java开发的可扩展，跨平台，开源的图像和视频处理框架。开发人员可以使用Marvin来处理图像，从图像中提取特征以进行分类任务，通过算法生成图形，处理视频文件数据集以及设置单元测试自动化。

Marvin的一些视频应用包括滤波，增强现实，物体跟踪和运动检测。

在这个以讲师为主导的实践课程中，学员将学习图像和视频分析的原理，并利用Marvin框架及其图像处理算法构建自己的应用程序。

课程格式

• 首先介绍了图像分析，视频分析和Marvin框架的基本原理。为学生提供基于项目的任务，使他们能够练习所学的概念。在课程结束时，参与者将使用Marvin框架和库开发自己的应用程序。

计算机视觉是一个涉及从数字媒体自动提取、分析和理解有用信息的领域。Python是一种高级编程语言，因其清晰的语法和代码可读性而闻名。

在这一由讲师引导的现场培训中，学员将使用Python逐步创建简单的计算机视觉应用程序，并从中习得计算机视觉的基础知识。

在本次培训结束后，学员将能够：

• 了解计算机视觉的基础知识
• 使用Python来实现计算机视觉任务
• 使用Python构建自己的计算机视觉应用程序

受众

• 对计算机视觉感兴趣的Python程序员

课程形式

• 部分讲座、部分讨论、练习和大量实操

SimpleCV是一个开源框架 - 意味着它是一组可用于开发视觉应用程序的库和软件。它允许您处理来自网络摄像头，Kinects，FireWire和IP摄像头或移动电话的图像或视频流。它可以帮助您构建软件，使您的各种技术不仅可以看到世界，还可以了解它。

听众

本课程面向寻求使用SimpleCV开发计算机视觉应用的工程师和开发人员。

这种以讲师为主导的中国现场培训（现场或远程）面向希望构建硬件加速对象检测和跟踪模型以分析流视频数据的开发人员。

在培训结束时，参与者将能够：

• 安装和配置必要的开发环境、软件和库以开始开发。
• 构建、训练和部署深度学习模型以分析实时视频源。
• 识别、跟踪、分割和预测视频帧中的不同对象。
• 优化目标检测和跟踪模型。
• 部署智能视频分析 （IVA） 应用程序。

这种以讲师为主导的中国现场现场培训面向后端开发人员和数据科学家，他们希望将预先训练的YOLO模型整合到其企业驱动的程序中，并实施具有成本效益的组件进行对象检测。

在培训结束时，参与者将能够：

• 使用 YOLO 安装和配置对象检测所需的必要工具和库。
• 自定义基于 YOLO 预训练模型运行的 Python 命令行应用程序。
• 为各种计算机视觉项目实施预训练的 YOLO 模型框架。
• 将用于对象检测的现有数据集转换为 YOLO 格式。
• 了解用于计算机视觉和/或深度学习的 YOLO 算法的基本概念。

这种以讲师为主导的中国现场现场培训（现场或远程）面向希望学习如何使用YOLOv7实现实时对象检测的中高级开发人员，研究人员和数据科学家。

在培训结束时，参与者将能够：

• 了解对象检测的基本概念。
• 安装和配置 YOLOv7 以执行对象检测任务。
• 使用 YOLOv7 训练和测试自定义对象检测模型。
• 将 YOLOv7 与其他计算机视觉框架和工具集成。
• 解决与 YOLOv7 实现相关的常见问题。