Computer Vision for Autonomous Driving Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), otonom araç performansını artırmak için gelişmiş yol planlama algoritmaları uygulamak isteyen ileri düzey robotik mühendisleri ve yapay zeka araştırmacılarına yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Gelişmiş yol planlama algoritmalarının teorik temellerini anlayacaklardır.
• RRT*, A* ve D* gibi algoritmaları gerçek zamanlı navigasyon için uygulayabileceklerdir.
• Engelden kaçınma ve dinamik ortamlar için yol planlamasını optimize edebileceklerdir.
• Yol planlama algoritmalarını daha yüksek doğruluk için sensör verileriyle entegre edebileceklerdir.
• Çeşitli algoritmaların performansını pratik senaryolarda değerlendirebileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), otonom sürüş uygulamaları için yapay zeka modelleri oluşturmak, eğitmek ve optimize etmek isteyen ileri düzeyde veri bilimcileri, yapay zeka uzmanları ve otomotiv yapay zeka geliştiricilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Otonom araçlar bağlamında yapay zeka ve derin öğrenmenin temellerini anlayabilecektir.
• Gerçek zamanlı nesne algılama ve şerit takibi için bilgisayarlı görü tekniklerini uygulayabilecektir.
• Kendi kendine sürüş sistemlerinde karar verme için pekiştirmeli öğrenmeyi kullanabilecektir.
• Daha iyi algı ve navigasyon için sensör füzyon tekniklerini entegre edebilecektir.
• Sürüş senaryolarını tahmin etmek ve analiz etmek için derin öğrenme modelleri oluşturabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), otonom araçlar için kapsamlı güvenlik stratejileri geliştirmek isteyen, ileri düzey güvenlik mühendisleri ve otomotiv güvenlik uzmanlarına yöneliktir. Bu eğitim, tehlike analizi, fonksiyonel güvenlik değerlendirmeleri ve uluslararası standartlara uyumluluk konularını kapsamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Otonom sürüş sistemleriyle ilişkili güvenlik risklerini belirleyip değerlendirebilecekler.
• Endüstri standartlarını kullanarak tehlike analizi ve risk değerlendirmesi yapabilecekler.
• AV sistemleri için güvenlik doğrulama ve doğrulama yöntemleri uygulayabilecekler.
• ISO 26262 ve SOTIF gibi fonksiyonel güvenlik standartlarını uygulayabilecekler.
• AV güvenlik zorlukları için risk azaltma stratejileri geliştirebilecekler.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), manuel yüz çiziminden yapay zeka araçlarını kullanarak yüz tanıma sistemleri geliştirmeye geçmek isteyen başlangıç seviyesindeki kolluk kuvvetleri personeline yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yapay Zekanın temellerini ve Machine Learning'ü anlayın.
• Dijital görüntü işlemenin temellerini ve yüz tanımadaki uygulamasını öğrenin.
• Yapay zeka araçlarını ve çerçevelerini kullanarak yüz tanıma modelleri oluşturma becerileri geliştirin.
• Yüz tanıma sistemleri oluşturma, eğitme ve test etme konusunda uygulamalı deneyim kazanın.
• Yüz tanıma teknolojisinin kullanımında etik hususları ve en iyi uygulamaları anlayın.

Fiji, bilimsel çok boyutlu görüntüler için bir görüntü işleme programı olan ImageJ'i ve bilimsel görüntü analizleri için bir dizi eklentiyi bir araya getiren açık kaynaklı bir görüntü işleme paketidir.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, Fiji dağıtımını ve temelindeki ImageJ programını kullanarak bir görüntü analiz uygulaması oluşturmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• ImageJ'i genişletmek için Fiji'ün gelişmiş programlama özelliklerini ve yazılım bileşenlerini kullanmak
• Örtüşen karolardan büyük 3 boyutlu görüntüleri birleştirmek
• Entegre güncelleme sistemi kullanarak bir Fiji kurulumunu başlatmada otomatik olarak güncellemek
• Özel görüntü analiz çözümleri oluşturmak için geniş bir komut dosyası dili yelpazesinden seçim yapmak
• Büyük biyolojik görüntü veri kümelerinde ImgLib gibi Fiji'ün güçlü kütüphanelerini kullanmak
• Uygulamalarını dağıtmak ve benzer projelerde diğer bilim insanlarıyla işbirliği yapmak

Kurs Formatı

• Etkileşimli ders ve tartışma.
• Bol alıştırma ve uygulama.
• Canlı laboratuvar ortamında uygulamalı uygulama.

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek ayarlama yapınız.

Bu eğitmen liderliğindeki canlı eğitim Türkiye (çevrimiçi veya yerinde), histolojik dokular, kan hücreleri, algler ve diğer biyolojik örneklerle ilgili görüntüleri işlemek ve analiz etmek isteyen başlangıç seviyesinden orta seviyeye kadar araştırmacılar ve laboratuvar profesyonelleri için tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Fiji arayüzünde gezinme ve ImageJ’nin temel işlevlerini kullanma.
• Bilimsel görüntüleri daha iyi analiz için ön işleme ve geliştirme.
• Hücre sayımı ve alan ölçümü dahil olmak üzere görüntüleri nicel olarak analiz etme.
• Makrolar ve eklentiler kullanarak tekrarlayan görevleri otomatikleştirme.
• Biyolojik araştırmalarda özel görüntü analizi ihtiyaçları için iş akışlarını özelleştirme.

OpenCV (Açık Kaynak Computer Vision Kütüphanesi: http://opencv.org), birkaç yüz bilgisayarlı görü algoritmaları içeren, BSD lisanslı bir açık kaynak kütüphanedir.

Hedef Kitle

Bu kurs, OpenCV'ü bilgisayarlı görü projelerinde kullanmak isteyen mühendisler ve mimarlar için hazırlanmıştır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), derin öğrenme için OpenCV 4 ile Python içinde programlama yapmak isteyen yazılım mühendislerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenCV 4 kullanarak görüntüleri ve videoları görüntüleyebilecek, yükleyebilecek ve sınıflandırabilecek.
• TensorFlow ve Keras ile OpenCV 4 içinde derin öğrenmeyi uygulayabilecek.
• Derin öğrenme modellerini çalıştırabilecek ve görüntülerden ve videolardan etkili raporlar oluşturabilecek.

OpenFace, Google'ün FaceNet araştırmasına dayalı açık kaynaklı, gerçek zamanlı yüz tanıma yazılımıdır Python ve Torch üzerine kurulmuştur.

Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar, OpenFace'in bileşenlerini kullanarak örnek bir yüz tanıma uygulaması oluşturmayı ve dağıtmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yüz algılama, hizalama ve dönüşüm uygulamak için dlib, OpenCV, Torch ve nn4 dahil olmak üzere OpenFace'in bileşenleriyle çalışmak
• OpenFace'i gözetleme, kimlik doğrulama, sanal gerçeklik, oyun ve tekrar eden müşterileri belirleme gibi gerçek dünya uygulamalarına uygulamak vb.

Hedef Kitle

• Geliştiriciler
• Veri bilimcileri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Pattern Matching, bir görüntü içinde belirtilen kalıpları bulmak için kullanılan bir tekniktir. Örneğin, bir fabrikadaki hatalı ürün üzerindeki beklenen etiketi veya bir bileşenin belirtilen boyutlarını belirlemek gibi, yakalanan bir görüntü içinde belirli özelliklerin varlığını belirlemek için kullanılabilir. Pattern Recognition'ten (daha büyük ilgili örnekler koleksiyonuna dayalı genel kalıpları tanıyan) farklı olarak, özellikle ne aradığımızı belirtir ve ardından beklenen kalıbın mevcut olup olmadığını bize bildirir.

Kurs Formatı

Bu eğitmen liderliğindeki canlı eğitim, bir yüz tanıma sistemi oluşturmak için gereken yazılım, donanım ve adım adım süreci tanıtıyor. Yüz Tanıma aynı zamanda Face Recognition olarak da bilinir.

Bu laboratuvarda kullanılan donanım Rasberry Pi, bir kamera modülü, servo motorlar (isteğe bağlı), vb. içerir. Katılımcılar bu bileşenleri kendileri satın almaktan sorumludur. Kullanılan yazılım OpenCV, Linux, Python, vb.'dir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Rasberry Pi'ye Linux, OpenCV ve diğer yazılım yardımcı programlarını ve kitaplıklarını kurmak.
• OpenCV'ı yüz görüntülerini yakalamak ve algılamak için yapılandırmak.
• Bir Rasberry Pi sistemini gerçek dünya ortamlarında kullanmak için çeşitli seçenekleri anlamak.
• Sistemi gözetim, kimlik doğrulama vb. gibi çeşitli kullanım durumlarına uyarlamak.

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma.

Not

• Diğer donanım ve yazılım seçenekleri şunlardır: Arduino, OpenFace, Windows, vb. Bunlardan herhangi birini kullanmak isterseniz, lütfen bizimle iletişime geçin.

Scilab, bilimsel veri manipülasyonu için iyi geliştirilmiş, ücretsiz ve açık kaynaklı yüksek seviyeli bir dildir. İstatistik, grafik ve animasyon, simülasyon, sinyal işleme, fizik, optimizasyon ve daha fazlası için kullanılır. Temel veri yapısı matristir ve bu, FORTRAN ve C türevleri gibi alternatiflere kıyasla birçok sorunu basitleştirir. C, Java ve Python gibi dillerle uyumludur ve bu da onu mevcut sistemlere bir ek olarak kullanıma uygun hale getirir.

Bu eğitmen liderliğindeki eğitimde, katılımcılar Matlab gibi alternatiflere kıyasla Scilab'ın avantajlarını, Scilab sözdiziminin temellerini ve bazı gelişmiş işlevleri ve talebe bağlı olarak diğer yaygın dillerle arayüz oluşturmayı öğreneceklerdir. Kurs, görüntü işleme üzerine odaklanan kısa bir projeyle sona erecektir.

Bu eğitimin sonunda, katılımcılar Scilab'ın temel ve bazı gelişmiş işlevlerine hakim olacak ve bilgilerini genişletmeye devam etmek için kaynaklara sahip olacaklardır.

Hedef Kitle

• Veri bilimcileri ve mühendisleri, özellikle görüntü işleme ve yüz tanıma konularına ilgi duyanlar

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma ve son bir proje

Türkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, SMT (Yüzey Montaj Teknolojisi) işlemlerinde otomatik inspeksiyon sistemleri tasarlamak, uygulamak ve optimize etmek isteyen orta seviye profesyonellere yönelik olacak.

Eğitim sonunda, katılımcılar şu becerileri kazanabilecekler:

• Vision Builder AI kullanarak otomatik inspeksiyonları kurma ve yapılandırma.
• Analiz için yüksek kaliteli görüntülerin edinilmesi ve ön işleme.
• Hata algılama ve işlem doğrulaması için mantık tabanlı kararların uygulanması.
• Inspeksiyon raporlarının oluşturulması ve sistem performansının optimize edilmesi.