Curso de YOLOv7: Detecção de Objetos em Tempo Real com Visão Computacional

O Caffe é um framework de aprendizado profundo desenvolvido com expressão, velocidade e modularidade em mente.

Este curso explora a aplicação do Caffe como um framework de Aprendizado Profundo para reconhecimento de imagens, utilizando o MNIST como exemplo.

Público-Alvo

Este curso é adequado para pesquisadores e engenheiros de Aprendizado Profundo interessados em utilizar o Caffe como framework.

Ao completar este curso, os participantes serão capazes de:

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

Este treinamento presencial, conduzido por um instrutor (online ou no local), é voltado para desenvolvedores de IA e engenheiros de visão computacional de nível intermediário 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 faixas 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.

Esta formação guiada por instrutores, ao vivo em Portugal (online ou presencial), é destinada a profissionais de nível avançado que desejam aprofundar seu conhecimento em visão computacional e explorar as capacidades do TensorFlow para desenvolver modelos sofisticados de visão usando o Google Colab.

Ao final deste treinamento, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) usando TensorFlow.
• Aproveitar o Google Colab para desenvolvimento de modelos escaláveis e eficientes em nuvem.
• Implementar técnicas de pré-processamento de imagens para tarefas de visão computacional.
• Implantar modelos de visão computacional para aplicações do mundo real.
• Usar transfer learning para melhorar o desempenho dos modelos CNNs.
• Visualizar e interpretar os resultados de modelos de classificação de imagens.

Esta formação ao vivo e orientada por instrutor em Portugal (online ou presencial) é direcionada a engenheiros de visão computacional, desenvolvedores de IA e profissionais de IoT de nível intermediário a avançado que desejam implementar e otimizar modelos de visão computacional para processamento em tempo real em dispositivos de borda.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos da Edge AI e suas aplicações na visão computacional.
• Deployar modelos otimizados de aprendizado profundo em dispositivos de borda para análise de imagem e vídeo em tempo real.
• Usar frameworks como TensorFlow Lite, OpenVINO e NVIDIA Jetson SDK para deploy de modelos.
• Otimizar modelos de IA para desempenho, eficiência energética e inferência com baixa latência.

Esta formação ao vivo e conduzida por instrutor em Portugal (online ou presencial) é destinada a profissionais de nível iniciante da força policial que desejam migrar do esboço manual facial para o uso de ferramentas de inteligência artificial na criação de sistemas de reconhecimento facial.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos de Inteligência Artificial e Aprendizado de Máquina.
• Conhecer as bases do processamento digital de imagens e sua aplicação no reconhecimento facial.
• Desenvolver habilidades no uso de ferramentas e frameworks de IA para criar modelos de reconhecimento facial.
• Obter experiência prática na criação, treinamento e teste de sistemas de reconhecimento facial.
• Compreender as considerações éticas e melhores práticas no uso da tecnologia de reconhecimento facial.

Fiji é um pacote de processamento de imagens de código aberto que agrupa o ImageJ (um programa de processamento de imagens para imagens científicas multidimensionais) e uma série de plugins para análise de imagens científicas.

Neste treinamento liderado por instrutor, os participantes aprenderão a usar a distribuição Fiji e seu programa subjacente ImageJ para criar um aplicativo de análise de imagens.

Ao final deste treinamento, os participantes serão capazes de:

• Usar as funcionalidades avançadas de programação e componentes de software do Fiji para estender o ImageJ
• Unir imagens 3D grandes a partir de tiles sobrepostos
• Atualizar automaticamente uma instalação do Fiji na inicialização usando o sistema de atualização integrado
• Escolher entre uma ampla seleção de linguagens de script para construir soluções personalizadas de análise de imagens
• Usar as poderosas bibliotecas do Fiji, como ImgLib, em conjuntos de dados de bioimagens grandes
• Implementar seu aplicativo e colaborar com outros cientistas em projetos semelhantes

Formato do Curso

• Aula interativa e discussão.
• Muitos exercícios e prática.
• Implementação prática em um ambiente de laboratório ao vivo.

Opções de Personalização do Curso

• Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

Este treinamento orientado por instrutor (online ou presencial) é destinado a pesquisadores e profissionais de laboratório de nível iniciante a intermediário que desejam processar e analisar imagens relacionadas a tecidos histológicos, células sanguíneas, algas e outras amostras biológicas.

Ao final deste treinamento, os participantes serão capazes de:

• Navegar na interface do Fiji e utilizar as funções principais do ImageJ.
• Pré-processar e melhorar imagens científicas para uma análise mais precisa.
• Analisar imagens quantitativamente, incluindo contagem de células e medição de áreas.
• Automatizar tarefas repetitivas usando macros e plugins.
• Personalizar fluxos de trabalho para necessidades específicas de análise de imagens em pesquisa biológica.

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 Portugal (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.

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.

A Visão Computacional é um campo que envolve a extração automática, análise e compreensão de informações úteis de mídia digital. Python é uma linguagem de programação de alto nível famosa por sua sintaxe clara e legibilidade do código.

Neste treinamento conduzido por instrutor, os participantes aprenderão os fundamentos da Visão Computacional enquanto passam pela criação de um conjunto de aplicativos simples de Visão Computacional usando Python.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos da Visão Computacional
• Usar Python para implementar tarefas de Visão Computacional
• Construir seus próprios sistemas de detecção facial, de objetos e de movimento

Público-alvo

• Programadores Python interessados em Visão Computacional

Formato do curso

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

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.

Esta formação ao vivo, ministrada por um instrutor em Portugal (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 dirigido por instrutor (online ou presencial) em Portugal é voltado para desenvolvedores back-end e cientistas de dados que desejam incorporar modelos pré-treinados YOLO em seus programas orientados a empresas e implementar componentes custo-efetivos para detecção de objetos.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar as ferramentas e bibliotecas necessárias para a detecção de objetos usando YOLO.
• Personalizar aplicativos baseados em linha de comando Python que operam com base em modelos pré-treinados YOLO.
• Implementar o framework de modelos pré-treinados YOLO para diversos projetos de visão computacional.
• Converter conjuntos de dados existentes para detecção de objetos no formato YOLO.
• Compreender os conceitos fundamentais do algoritmo YOLO para visão computacional e/ou aprendizado profundo.