Cursos de Visão Computacional em Maia

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a engenheiros de visão computacional de nível intermediário a avançado, desenvolvedores de IA e profissionais de IoT que desejam implementar e otimizar modelos de visão computacional para processamento em tempo real em dispositivos de borda. No final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos de Edge AI e suas aplicações em visão computacional.
• Implantar modelos otimizados de aprendizado profundo em dispositivos de borda para análise de imagem e vídeo em tempo real.
• Use estruturas como TensorFlow Lite, OpenVINO e NVIDIA Jetson SDK para implantação de modelo.
• Otimizar modelos de IA para desempenho, eficiência energética e inferência de baixa latência.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível avançado que desejam aprofundar sua compreensão da visão computacional e explorar os recursos do TensorFlow para desenvolver modelos de visão sofisticados usando o Go ogle Colab. No final desta formação, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) usando TensorFlow.
• Aproveitar o Google Colab para o desenvolvimento de modelos escaláveis e eficientes baseados em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implementar modelos de visão computacional para aplicações no mundo real.
• Utilizar a aprendizagem por transferência para melhorar o desempenho dos modelos CNN.
• Visualizar e interpretar os resultados dos modelos de classificação de imagens.

Este treinamento prático, ministrado por um instrutor, em Maia (online ou presencial) é destinado a desenvolvedores de IA de nível intermediário e engenheiros de visão computacional que desejam construir sistemas de visão robustos para aplicações de direção autônoma.Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de visão computacional em veículos autônomos.
• Implementar algoritmos para detecção de objetos, detecção de faixa e segmentação semântica.
• Integrar sistemas de visão com outros subsistemas de veículos autônomos.
• Aplicar técnicas de aprendizado profundo para tarefas avançadas de percepção.
• Avaliar o desempenho de modelos de visão computacional em cenários do mundo real.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado ao pessoal de aplicação da lei de nível iniciante que deseja fazer a transição do esboço facial manual para o uso de ferramentas de IA para o desenvolvimento de sistemas de reconhecimento facial. No final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos da Inteligência Artificial e Machine Learning.
• Aprender os conceitos básicos do processamento digital de imagens e sua aplicação no reconhecimento facial.
• Desenvolver habilidades no uso de ferramentas e estruturas de IA para criar modelos de reconhecimento facial.
• Adquirir experiência prática na criação, formação e teste de sistemas de reconhecimento facial.
• Compreender as considerações éticas e as melhores práticas na utilização da tecnologia de reconhecimento facial.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a pesquisadores de nível iniciante a intermediário e profissionais de laboratório que desejam processar e analisar imagens relacionadas a tecidos histológicos, células sanguíneas, algas e outras amostras biológicas. No final desta formação, os participantes serão capazes de:

• Navegar na interface Fiji e utilizar as funções principais do ImageJ.
• Pré-processar e melhorar imagens científicas para uma melhor análise.
• Analisar imagens quantitativamente, incluindo contagem de células e medição de áreas.
• Automatizar tarefas repetitivas utilizando macros e plug-ins.
• Personalize fluxos de trabalho para necessidades específicas de análise de imagens na investigação biológica.

Esta formação ao vivo, ministrada por um instrutor em Maia (online ou presencial), é direcionada a profissionais de nível intermediário que desejam usar o Vision Builder AI para projetar, implementar e otimizar sistemas de inspeção automatizados para processos SMT (Surface-Mount Technology).No final desta formação, os participantes serão capazes de:

• Configurar e configurar inspeções automatizadas usando o Vision Builder AI.
• Obter e pré-processar imagens de alta qualidade para análise.
• Implementar decisões baseadas em lógica para detecção de defeitos e validação do processo.
• Gerar relatórios de inspeção e otimizar o desempenho do sistema.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a desenvolvedores, pesquisadores e cientistas de dados de nível intermediário a avançado que desejam aprender como implementar a deteção de objetos em tempo real usando o YOLOv7. No final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais da deteção de objetos.
• Instalar e configurar o YOLOv7 para tarefas de deteção de objetos.
• Treinar e testar modelos personalizados de deteção de objetos usando o YOLOv7.
• Integrar o YOLOv7 com outros frameworks e ferramentas de visão computacional.
• Resolver problemas comuns relacionados com a implementação do YOLOv7.

Caffe é uma estrutura de aprendizagem profunda feita com expressão, velocidade e modularidade em mente. Este curso explora a aplicação do Caffe como uma estrutura de aprendizagem profunda para o reconhecimento de imagens usando o MNIST como um exemplo Público Este curso é adequado para pesquisadores e engenheiros do Deep Learning interessados em utilizar o Caffe como um framework. Depois de concluir este curso, os delegados poderão:

• entender a estrutura e os mecanismos de implantação do Caffe
• realizar tarefas de instalação / ambiente de produção / arquitetura e configuração
• avaliar a qualidade do código, executar a depuração, monitoramento
• implementar produção avançada como modelos de treinamento, implementação de camadas e registro

O Fiji é um pacote de processamento de imagens de código aberto que agrupa o ImageJ (um programa de processamento de imagens para imagens multidimensionais científicas) e vários plugins para análise de imagens científicas. Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar a distribuição Fiji e seu programa ImageJ subjacente para criar um aplicativo de análise de imagem. Ao final deste treinamento, os participantes serão capazes de:

• Usar os recursos avançados de programação e os componentes de software do Fiji para estender o ImageJ
• costurar grandes imagens 3d a partir de telhas sobrepostas
• Atualizar automaticamente uma instalação do Fiji na inicialização usando o sistema de atualização integrado
• Selecionar de entre uma vasta seleção de linguagens de scripting para criar soluções de análise de imagem personalizadas
• Utilizar as poderosas bibliotecas do Fiji, como a ImgLib, em grandes conjuntos de dados de bioimagens
• Implementar a sua aplicação e colaborar com outros cientistas em projectos semelhantes

Formato do curso

• Palestra interactiva e discussão.
• Muitos exercícios e prática.
• Implementação prática num ambiente de laboratório ao vivo.

Opções de personalização do curso

• Para solicitar uma formação personalizada para este curso, por favor contacte-nos para combinar.

OpenCV (Open Source Computer Vision Library: http://opencv.org) é uma biblioteca de código aberto licenciada pela BSD que inclui várias centenas de algoritmos de visão por computador. Público alvo Este curso destina-se a engenheiros e arquitectos que pretendam utilizar OpenCV em projectos de visão por computador

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com OpenCV 4 para aprendizado profundo. Ao final deste treinamento, os participantes serão capazes de:

• Visualizar, carregar e classificar imagens e vídeos usando OpenCV 4.
• Implementar o aprendizado profundo em OpenCV 4 com TensorFlow e Keras.
• Execute modelos de aprendizado profundo e gere relatórios impactantes a partir de imagens e vídeos.

O OpenFace é um software de reconhecimento facial em tempo real, de código aberto, baseado na pesquisa FaceNet da Google. Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra. No final deste treinamento, os participantes serão capazes de:

• Trabalhar com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4 para implementar a deteção, o alinhamento e a transformação de faces
• Aplicar o OpenFace a aplicativos do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc.

Público-alvo

• Programadores
• Cientistas de dados

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Pattern Matching é uma técnica utilizada para localizar padrões específicos numa imagem. Pode ser utilizada para determinar a existência de caraterísticas específicas numa imagem capturada, por exemplo, a etiqueta esperada num produto defeituoso numa linha de produção ou as dimensões especificadas de um componente. É diferente de "Pattern Recognition" (que reconhece padrões gerais com base em colecções maiores de amostras relacionadas) na medida em que dita especificamente o que estamos à procura e depois diz-nos se o padrão esperado existe ou não. Formato do curso

• Este curso apresenta as abordagens, tecnologias e algoritmos utilizados no campo da correspondência de padrões, uma vez que se aplica a Machine Vision.

Computer Visão por Computer é um campo que envolve extrair, analisar e compreender automaticamente informações úteis da mídia digital. Python é uma linguagem de programação de alto nível famosa por sua sintaxe clara e legibilidade de código. Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão o básico sobre a Visão Computer enquanto avançam na criação do conjunto de aplicativos simples de Visão Computer usando o Python . No final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos de Computer Vision
• Utilizar Python para implementar tarefas de Computer Vision
• Construir seus próprios sistemas de detecção de rosto, objeto e movimento

Público

• Programadores Python interessados em Computer Vision

Formato do curso

• Parte palestra, parte discussão, exercícios e muita prática hands-on

Este treinamento ao vivo, conduzido por instrutor, apresenta o software, o hardware e o processo passo a passo necessário para construir um sistema de reconhecimento facial a partir do zero. O reconhecimento facial também é conhecido como Face Recognition. O hardware utilizado neste laboratório inclui Rasberry Pi, um módulo de câmara, servos (opcional), etc. Os participantes são responsáveis pela aquisição destes componentes. O software utilizado inclui OpenCV, Linux, Python, etc. No final desta formação, os participantes serão capazes de:

• Instalar Linux, OpenCV e outros utilitários e bibliotecas de software num Rasberry Pi.
• Configurar OpenCV para capturar e detetar imagens faciais.
• Compreender as várias opções para empacotar um sistema Rasberry Pi para uso em ambientes do mundo real.
• Adaptar o sistema para uma variedade de casos de uso, incluindo vigilância, verificação de identidade, etc.

Formato do curso

• Parte expositiva, parte de discussão, exercícios e muita prática prática

Nota

• Outras opções de hardware e software incluem: Arduino, OpenFace, Windows, etc. Se pretender utilizar qualquer uma destas opções, contacte-nos para combinarmos.

Scilab é uma linguagem de alto nível bem desenvolvida, gratuita e de código aberto para a manipulação de dados científicos. Utilizada em estatística, gráficos e animação, simulação, processamento de sinais, física, otimização, etc., a sua estrutura de dados central é a matriz, simplificando muitos tipos de problemas em comparação com alternativas como FORTRAN e derivados de C. É compatível com linguagens como C, Java e Python, tornando-o adequado para uso como um complemento aos sistemas existentes. Nesta formação conduzida por um instrutor, os participantes aprenderão as vantagens do Scilab em comparação com alternativas como o Matlab, as noções básicas da sintaxe do Scilab, bem como algumas funções avançadas, e a interface com outras linguagens amplamente utilizadas, dependendo da procura. O curso será concluído com um breve projeto centrado no processamento de imagens. No final desta formação, os participantes terão uma noção das funções básicas e de algumas funções avançadas da Scilab, e terão os recursos para continuar a expandir os seus conhecimentos. Público-alvo

• Cientistas e engenheiros de dados, especialmente com interesse em processamento de imagens e reconhecimento facial

Formato do curso

• Parte palestra, parte discussão, exercícios e prática intensiva, com um projeto final

O SimpleCV é uma estrutura de código aberto, o que significa que é uma coleção de bibliotecas e software que pode utilizar para desenvolver aplicações de visão. Permite-lhe trabalhar com imagens ou fluxos de vídeo provenientes de webcams, Kinects, câmaras FireWire e IP, ou telemóveis. Ajuda-o a criar software para que as suas várias tecnologias não só vejam o mundo, mas também o compreendam. Público Este curso é dirigido a engenheiros e programadores que procuram desenvolver aplicações de visão computacional com o SimpleCV.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a desenvolvedores de back-end e cientistas de dados que desejam incorporar modelos YOLO pré-treinados em seus programas orientados para a empresa e implementar componentes econômicos para deteção de objetos. No final desta formação, os participantes serão capazes de

• Instalar e configurar as ferramentas e bibliotecas necessárias para a deteção de objetos usando YOLO.
• Customizar Python aplicações de linha de comando que operam com base nos modelos pré-treinados do YOLO.
• Implementar a estrutura de modelos YOLO pré-treinados para vários projetos de visão computacional.
• Converter conjuntos de dados existentes para deteção de objetos no formato YOLO.
• Compreender os conceitos fundamentais do algoritmo YOLO para visão computacional e/ou aprendizagem profunda.