Formation Computer Vision with Google Colab and TensorFlow

Ce cours en direct, dirigé par un formateur (en ligne ou sur site), est destiné aux scientifiques des données débutants et aux professionnels de l'informatique qui souhaitent apprendre les bases de la science des données à l'aide de Google Colab.

À la fin de ce cours, les participants seront capables de :

• Configurer et naviguer dans Google Colab.
• Écrire et exécuter un code Python de base.
• Importer et gérer des ensembles de données.
• Créer des visualisations à l'aide des bibliothèques Python.

Ce formation en direct (en ligne ou sur site) est destinée aux data scientists débutants qui souhaitent apprendre à créer des visualisations de données significatives et visuellement attrayantes.

À la fin de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour la visualisation des données.
• Créer divers types de graphiques en utilisant Matplotlib.
• Utiliser Seaborn pour des techniques de visualisation avancées.
• Personnaliser les graphiques pour une meilleure présentation et clarté.
• Interpréter et présenter efficacement les données à l'aide d'outils visuels.

Cette formation en direct avec instructeur en France (en ligne ou sur place) s'adresse au personnel débutant des forces de l'ordre qui souhaite passer de l'esquisse faciale manuelle à l'utilisation d'outils d'intelligence artificielle pour développer des systèmes de reconnaissance faciale.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de l'intelligence artificielle et Machine Learning.
• Apprendre les bases du traitement numérique de l'image et son application à la reconnaissance faciale.
• Développer des compétences dans l'utilisation d'outils et de cadres d'intelligence artificielle pour créer des modèles de reconnaissance faciale.
• Acquérir une expérience pratique dans la création, l'entraînement et le test de systèmes de reconnaissance faciale.
• Comprendre les considérations éthiques et les meilleures pratiques dans l'utilisation de la technologie de reconnaissance faciale.

Fiji est un logiciel libre de traitement d'images qui regroupe ImageJ (un programme de traitement d'images multidimensionnelles scientifiques) et un certain nombre de plugins pour l'analyse d'images scientifiques.

Au cours de cette formation, les participants apprendront à utiliser la distribution Fiji et le programme ImageJ sous-jacent pour créer une application d'analyse d'images.

À l'issue de cette formation, les participants seront capables de :

• Utiliser les fonctions de programmation avancées et les composants logiciels de Fiji pour étendre ImageJ
• Assembler de grandes images 3D à partir de tuiles qui se chevauchent
• Mettre à jour automatiquement une installation de Fiji au démarrage en utilisant le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour créer des solutions d'analyse d'images personnalisées.
• utiliser les puissantes bibliothèques de Fiji, telles que ImgLib, pour les grands ensembles de données d'imagerie biologique
• Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires.

Format du cours permettant d'évaluer les participants

• Exposé et discussion interactifs.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement live-lab.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

Cette formation en direct (en ligne ou sur site) dispensée par un formateur est destinée aux chercheurs et professionnels de laboratoire de niveau débutant à intermédiaire qui souhaitent traiter et analyser des images liées aux tissus histologiques, aux cellules sanguines, aux algues et autres échantillons biologiques.

À la fin de cette formation, les participants seront capables de :

• Naviguer dans l'interface de Fiji et utiliser les fonctions principales d’ImageJ.
• Prétraiter et améliorer des images scientifiques pour une meilleure analyse.
• Analyser des images de manière quantitative, y compris le comptage cellulaire et la mesure des surfaces.
• Automatiser les tâches répétitives en utilisant des macros et des plugins.
• Personnaliser les workflows pour répondre aux besoins spécifiques d'analyse d’images dans la recherche biologique.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et développeurs intermédiaires qui souhaitent appliquer efficacement les algorithmes d'apprentissage automatique dans l'environnement Google Colab.

À la fin de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage automatique.
• Comprendre et appliquer divers algorithmes d'apprentissage automatique.
• Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire les données.
• Mettre en œuvre des modèles d'apprentissage supervisé et non supervisé.
• Optimiser et évaluer efficacement les modèles d'apprentissage automatique.

OpenCV (Open Source Computer Vision Library : http://opencv.org) est une bibliothèque open-source sous licence BSD qui comprend plusieurs centaines d'algorithmes de vision par ordinateur.

Public

Ce cours s'adresse aux ingénieurs et aux architectes qui souhaitent utiliser OpenCV pour des projets de vision par ordinateur.

Cette formation en France (en ligne ou sur site) s'adresse aux ingénieurs logiciels qui souhaitent programmer en Python avec OpenCV 4 pour l'apprentissage profond.

A l'issue de cette formation, les participants seront capables de :

• Visualiser, charger et classifier des images et des vidéos en OpenCV 4.
• Mettre en œuvre l'apprentissage profond en OpenCV 4 avec TensorFlow et Keras.
• Exécuter des modèles d'apprentissage profond et générer des rapports percutants à partir d'images et de vidéos.

OpenFace est un logiciel de reconnaissance faciale en temps réel, à code source ouvert, basé sur les recherches FaceNet de Google Python et Torch.

Au cours de cette formation, les participants apprendront à utiliser les composants d'OpenFace pour créer et déployer un exemple d'application de reconnaissance faciale.

A la fin de cette formation, les participants seront capables de :

• Travailler avec les composants d'OpenFace, y compris dlib, OpenVC, Torch, et nn4 pour implémenter la détection, l'alignement et la transformation des visages.
• Appliquer OpenFace à des applications réelles telles que la surveillance, la vérification d'identité, la réalité virtuelle, les jeux, l'identification de clients réguliers, etc.

Public

• Développeurs
• Scientifiques des données

Format du cours permettant d'évaluer les participants

• En partie conférence, en partie discussion, exercices et pratique intensive.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.

Format du cours permettant d'évaluer les participants

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

Ce cours en direct dirigé par un instructeur (en ligne ou sur site) s'adresse aux développeurs et analystes de données débutants qui souhaitent apprendre la programmation Python à partir de zéro en utilisant Google Colab.

À la fin de ce cours, les participants seront capables de :

• Comprendre les bases du langage de programmation Python.
• Implémenter des codes Python dans l'environnement Google Colab.
• Utiliser des structures de contrôle pour gérer le flux d'un programme Python.
• Créer des fonctions pour organiser et réutiliser efficacement le code.
• Explorer et utiliser les bibliothèques de base pour la programmation Python.

Cette formation en direct, dirigée par un instructeur, présente le logiciel, le matériel et le processus étape par étape nécessaire pour construire un système de reconnaissance faciale à partir de zéro. La reconnaissance faciale est également connue sous le nom de Face Recognition.

Le matériel utilisé dans ce laboratoire comprend le Rasberry Pi, un module caméra, des servos (optionnels), etc. Les participants sont responsables de l'achat de ces composants. Les logiciels utilisés comprennent OpenCV, Linux, Python, etc.

A l'issue de cette formation, les participants seront capables de :

• Installer Linux, OpenCV et d'autres logiciels utilitaires et bibliothèques sur un Rasberry Pi.
• Configurer OpenCV pour capturer et détecter des images faciales.
• Comprendre les différentes options de conditionnement d'un système Rasberry Pi pour une utilisation dans des environnements réels.
• Adapter le système à une variété de cas d'utilisation, y compris la surveillance, la vérification d'identité, etc.

Format du cours permettant d'évaluer les participants

• En partie exposé, en partie discussion, exercices et pratique intensive.

Remarque

• D'autres options matérielles et logicielles existent : Arduino, OpenFace, Windows, etc. Si vous souhaitez utiliser l'une de ces options, veuillez nous contacter.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels intermédiaires souhaitant utiliser Vision Builder AI pour concevoir, mettre en œuvre et optimiser des systèmes d'inspection automatisés destinés aux processus SMT (Surface-Mount Technology).

À la fin de cette formation, les participants seront capables de :

• Configurer et paramétrer des inspections automatisées à l'aide de Vision Builder AI.
• Acquérir et prétraiter des images de haute qualité pour l'analyse.
• Mettre en œuvre des décisions basées sur la logique pour la détection de défauts et la validation du processus.
• Générer des rapports d'inspection et optimiser les performances du système.