苏州计算机视觉培训

本课程面向希望在边缘设备上实现和优化计算机视觉模型以进行实时处理的中级到高级计算机视觉工程师、人工智能开发人员和物联网专业人员。 通过本培训，参与者将能够：

• 了解计算机视觉中Edge AI的基本原理及其应用。
• 在边缘设备上部署经过优化的深度学习模型，以实现对图像和视频的实时分析。
• 使用TensorFlow Lite、OpenVINO和NVIDIA Jetson SDK等框架进行模型部署。
• 优化AI模型以提高性能、功率效率和低延迟推断。

这种由 讲师指导的 苏州 现场培训（在线或现场）面向希望加深对计算机视觉的理解并探索 TensorFlow 使用 Google Colab 开发复杂视觉模型的能力的高级专业人士。

在本次培训结束时，参与者将能够：

• 使用 TensorFlow 构建和训练卷积神经网路 （CNN）。
• 利用 Google Colab 进行可扩展且高效的基于云的模型开发。
• 为电脑视觉任务实施图像预处理技术。
• 为实际应用程式部署电脑视觉模型。
• 使用迁移学习来增强CNN模型的性能。
• 可视化和解释图像分类模型的结果。

这是由讲师指导的苏州（线上或线下）培训，适合中级AI开发人员和电脑视觉工程师，旨在为自动驾驶应用构建稳健的视觉系统。

在培训结束时，参与者将能够：

• 理解自动驾驶车辆中电脑视觉的基本概念。
• 实现物体检测、车道检测和语义分割的演算法。
• 将视觉系统与其他自动驾驶子系统整合。
• 应用深度学习技术进行高级感知任务。
• 在实际场景中评估电脑视觉模型的性能。

这种由讲师指导的 苏州 现场培训（在线或现场）面向希望从手动面部素描过渡到使用 AI 工具开发面部识别系统的初级执法人员。

在本次培训结束时，参与者将能够：

• 了解人工智慧的基础知识和 Machine Learning。
• 了解数位图像处理的基础知识及其在面部识别中的应用。
• 培养使用 AI 工具和框架创建面部识别模型的技能。
• 获得创建、培训和测试面部识别系统的实践经验。
• 了解使用面部识别技术的道德注意事项和最佳实践。

这个 苏州（在线或现场）的讲师指导实时培训，旨在帮助希望处理和分析与组织学组织、血细胞、藻类和其他生物样本相关的图像的初学者和中级研究人员及实验室专业人员。

在本次培训结束时，参加者将能够：

• 浏览Fiji界面并利用ImageJ的核心功能。
• 对科学图像进行预处理和增强，以便更好地分析。
• 定量分析图像，包括细胞计数和面积测量。
• 使用宏和插件自动化重复性任务。
• 针对生物研究中特定的图像分析需求定制工作流程。

这是一个由讲师指导的苏州（线上或线下）培训课程，旨在帮助中级专业人士使用Vision Builder AI来设计、实施和优化用于SMT（表面贴装技术）流程的自动化检测系统。

在培训结束时，参与者将能够：

• 使用Vision Builder AI设置和配置自动化检测。
• 获取并预处理高质量图像以进行分析。
• 实施基于逻辑的决策，用于缺陷检测和流程验证。
• 生成检测报告并优化系统性能。

这种讲师指导的 苏州 现场培训（在线或现场）面向希望学习如何使用 YOLOv7 实现即时物件检测的中高级开发人员、研究人员和数据科学家。

在本次培训结束时，参与者将能够：

• 了解对象检测的基本概念。
• 安装和配置 YOLOv7 以执行物件检测任务。
• 使用 YOLOv7 训练和测试自定义物件检测模型。
• 将 YOLOv7 与其他电脑视觉框架和工具整合。
• 排查与 YOLOv7 实施相关的常见问题。

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

Fiji 是一个开源图像处理包，它捆绑了 ImageJ（用于科学多维图像的图像处理程式）和许多用于科学图像分析的外挂程式。

在这个由讲师指导的现场培训中，参与者将学习如何使用 Fiji 发行版及其底层 ImageJ 程式来创建图像分析应用程式。

在本次培训结束时，参与者将能够：

• 使用 Fiji 的高级程式设计功能和软体元件来扩展 ImageJ
• 从重叠的图块拼接大型 3D 图像
• 使用整合更新系统在启动时自动更新 Fiji 安装
• 从广泛的脚本语言中进行选择，以构建自定义图像分析解决方案
• 在大型生物图像数据集上使用斐济强大的库，例如 ImgLib
• 部署他们的应用程式并与其他科学家合作开展类似专案

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在即时实验室环境中动手实施。

课程自定义选项

• 要申请本课程的定制培训，请联系我们进行安排。

OpenCV（开源 Computer Vision 库：http://opencv.org）是一个开源 BSD 许可的库，包括数百种计算机视觉演算法。

观众

本课程面向寻求将 OpenCV 用于计算机视觉专案的工程师和架构师

这种以讲师为主导的苏州现场培训（现场或远程）针对希望在Python与OpenCV 4中编程以进行深度学习的软件工程师。

在培训结束时，参与者将能够：

• 使用 OpenCV 查看、加载和分类图像和视频 4.
• 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。

OpenFace 是基于 Python 和 Torch 的开源即时面部识别软体，基于 Google 的 FaceNet 研究。

在这个由讲师指导的现场培训中，参与者将学习如何使用 OpenFace 的元件来创建和部署范例面部识别应用程式。

在本次培训结束时，参与者将能够：

• 使用 OpenFace 的元件（包括 dlib、OpenVC、Torch 和 nn4）实现人脸检测、对齐和转换
• 将OpenFace应用于实际应用，例如监控、身份验证、虚拟实境、游戏和识别回头客等。

观众

• 开发人员
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

Pattern Matching 是一种用于在图像中定位指定模式的技术。它可用于确定捕获的图像中是否存在指定特征，例如工厂生产线中缺陷产品上的预期标签或元件的指定尺寸。它与 “Pattern Recognition” 的不同之处在于 “Pattern Recognition” （它根据更大的相关样本集合识别一般模式），因为它具体指示我们正在寻找什么，然后告诉我们预期的模式是否存在。

课程形式

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

Computer Vision 是一个涉及从数位媒体中自动提取、分析和理解有用资讯的领域。Python 是一种高阶程式语言，以其清晰的语法和程式码可读性而闻名。

在这场由讲师指导的实时培训中，参与者将学习Computer Vision的基础知识，并逐步使用Python创建一系列简单的Computer Vision应用程式。

在培训结束时，参与者将能够：

• 理解Computer Vision的基础知识
• 使用Python来实现Computer Vision任务
• 建立自己的人脸、物体和动作检测系统

目标受众

• 对Computer Vision感兴趣的Python程式设计师

课程形式

• 部分讲授、部分讨论、练习和大量的动手实践

这个由讲师指导的现场培训介绍了从头开始构建面部识别系统所需的软体、硬体和分步过程。面部识别也称为 Face Recognition。

本实验中使用的硬体包括Rasberry Pi、摄像头模组、伺服系统（可选）等。参与者负责自己购买这些元件。使用的软体包括 OpenCV、Linux、Python 等。

在本次培训结束时，参与者将能够：

• 在 Rasberry Pi 上安装 Linux、OpenCV 和其他软体实用程式和库。
• 配置 OpenCV 以捕获和检测面部图像。
• 了解打包Rasberry Pi系统以在实际环境中使用的各种选项。
• 使系统适应各种用例，包括监控、身份验证等。

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

注意

• 其他硬体和软体选项包括：Arduino、OpenFace、Windows 等。如果您想使用其中任何一个，请联系我们进行安排。

SimpleCV 是一个开源框架，这意味著它是可用于开发视觉应用程式的库和软体的集合。它允许您处理来自网路摄像头、Kinect、FireWire 和IP摄像头或行动电话的图像或视频流。它可以说明您构建软体，使您的各种技术不仅可以看到世界，还可以理解世界。

观众

本课程面向寻求使用 SimpleCV 开发电脑视觉应用程式的工程师和开发人员。

这种以讲师为主导的苏州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。