YOLOv7: Detección de Objetos en Tiempo Real con Visión por Computadora

Caffe es un marco de aprendizaje profundo diseñado con expresividad, velocidad y modularidad en mente.

Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando MNIST como ejemplo.

Público

Este curso es adecuado para investigadores y ingenieros de Aprendizaje Profundo interesados en utilizar Caffe como marco.

Al completar este curso, los delegados podrán:

• comprender la estructura y los mecanismos de implementación de Caffe
• realizar tareas de instalación, configuración del entorno de producción y arquitectura
• evaluar la calidad del código, realizar depuraciones y monitoreo
• implementar producciones avanzadas como el entrenamiento de modelos, la implementación de capas y registro

Este curso dirigido por un instructor y en vivo en Guatemala (en línea o presencial) está destinado a desarrolladores de IA y ingenieros de visión por computadora de nivel intermedio que deseen construir sistemas de visión robustos para aplicaciones de conducción autónoma.

Al finalizar este curso, los participantes serán capaces de:

• Comprender los conceptos fundamentales de la visión por computadora en vehículos autónomos.
• Implementar algoritmos para detección de objetos, detección de carriles y segmentación semántica.
• Integrar sistemas de visión con otros subsistemas del vehículo autónomo.
• Aplicar técnicas de aprendizaje profundo para tareas avanzadas de percepción.
• Evaluar el rendimiento de los modelos de visión por computadora en escenarios del mundo real.

Esta formación en vivo, dirigida por un instructor (en línea o presencial) en Guatemala, está diseñada para profesionales avanzados que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos visuales sofisticados usando Google Colab.

Al final de esta formación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNNs) utilizando TensorFlow.
• Utilizar Google Colab para el desarrollo de modelos escalables y eficientes en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje transferido para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Esta formación en vivo, dirigida por un instructor en Guatemala (en línea o presencial), está orientada a ingenieros de visión por computadora de nivel intermedio y avanzado, desarrolladores de IA y profesionales de IoT que desean implementar y optimizar modelos de visión por computadora para el procesamiento en tiempo real en dispositivos edge.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de la IA Edge y sus aplicaciones en visión por computadora.
• Implementar modelos de aprendizaje profundo optimizados en dispositivos edge para el análisis de imágenes y videos en tiempo real.
• Utilizar frameworks como TensorFlow Lite, OpenVINO y NVIDIA Jetson SDK para la implementación de modelos.
• Optimizar modelos de IA para rendimiento, eficiencia energética e inferencia de baja latencia.

Esta formación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está destinada a personal de aplicación de la ley principiante que desea pasar de los bocetos faciales manuales al uso de herramientas de Inteligencia Artificial para desarrollar sistemas de reconocimiento facial.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de la Inteligencia Artificial y el Aprendizaje Automático.
• Adquirir conocimientos básicos sobre el procesamiento digital de imágenes y su aplicación en el reconocimiento facial.
• Desarrollar habilidades para usar herramientas e frameworks de IA para crear modelos de reconocimiento facial.
• Obtener experiencia práctica en la creación, entrenamiento y prueba de sistemas de reconocimiento facial.
• Comprender las consideraciones éticas y las mejores prácticas en el uso de tecnología de reconocimiento facial.

Fiji es un paquete de procesamiento de imágenes de código abierto que agrupa ImageJ (un programa de procesamiento de imágenes científicas multidimensionales) y una serie de complementos para el análisis de imágenes científicas.

En esta capacitación en vivo dirigida por un instructor, los participantes aprenderán a usar la distribución de Fiji y su programa subyacente ImageJ para crear una aplicación de análisis de imágenes.

Al final de esta capacitación, los participantes podrán:

• Utilice las características de programación avanzadas y los componentes de software de Fiji para ampliar ImageJ
• Sujete imágenes tridimensionales grandes de mosaicos superpuestos
• Actualice automáticamente una instalación de Fiji en el arranque utilizando el sistema de actualización integrado
• Seleccione entre una amplia selección de lenguajes de scripting para crear soluciones de análisis de imágenes personalizadas
• Utilice las poderosas bibliotecas de Fiji, como ImgLib en grandes conjuntos de datos de bioimagen
• Implemente su aplicación y colabore con otros científicos en proyectos similares

Audiencia

• Científicos
• Investigadores
• Desarrolladores

Formato del curso

• Conferencia de parte, discusión en parte, ejercicios y práctica práctica

Esta formación dirigida por instructores (en línea o presencial) está orientada a investigadores y profesionales de laboratorio de nivel principiante a intermedio que deseen procesar y analizar imágenes relacionadas con tejidos histológicos, células sanguíneas, algas y otras muestras biológicas.

Al final de esta formación, 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 cuantitativamente, incluyendo el conteo de células y la medición de áreas.
• Automatizar tareas repetitivas utilizando macros y complementos.
• Personalizar flujos de trabajo para necesidades específicas de análisis de imágenes en investigación biológica.

OpenCV (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.

Esta capacitación en vivo dirigida por un instructor en Guatemala (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.

Pattern 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.

Computer 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

SimpleCV 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.

Esta formación en vivo dirigida por un instructor en Guatemala (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.

Este entrenamiento dirigido por un instructor (en línea o presencial) en Guatemala está destinado a desarrolladores backend y científicos de datos que deseen incorporar modelos pre-entrenados YOLO en sus programas orientados a la empresa e implementar componentes costoeffectivos para la detección de objetos.

Al final de este entrenamiento, los participantes serán capaces de:

• Instalar y configurar las herramientas y bibliotecas necesarias para la detección de objetos utilizando YOLO.
• Personalizar aplicaciones de línea de comandos de Python que funcionan basadas en modelos pre-entrenados YOLO.
• Implementar el marco de modelos pre-entrenados YOLO para diversos proyectos de visión por computadora.
• Convertir conjuntos de datos existentes para la detección de objetos al formato YOLO.
• Entender los conceptos fundamentales del algoritmo YOLO para la visión por computadora y/o el aprendizaje profundo.