EIGENE APPS ZUR BILDERKENNUNG MITTELS TRANSFER-LEARNING ENTWICKELN
Präsenzveranstaltungen in Wiesbaden oder Online-Seminar an 1 Tag: 1.090,- € pro Person (netto)
Im Seminar – oder alternativ im zugeschnittenen Workshop – lernen Sie praktisch mit Python an Beispielen, wie Sie vortrainierte Modelle mit eigenen Bildern füttern und trainieren können.
Termine Offene Schulungen Crash-Kurs: 29.02.2024, 15.11.2024
LERNZIELE UND AGENDA
Ziele:
-
Populäre vortrainierte Modelle: ResNet, InceptionV3, SqueezeNet
- Die eigenen Bilddaten: Vorbereitung
- Netzwerk-Topologie
- Trainieren Sie ihr eigenes Deep Learning Modell
- Zusammenfassung, Hinweise, Fragen und Antworten
INHOUSE-SEMINAR
Seminardurchführung am Standort des Kunden
€1.390,00
pro Tag bis 4 Teilnehmer zzgl. gesetzlicher USt
Alle Inhalte der Inhouse-Seminare werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.
Intensive Nachbetreuung ermöglicht den Teilnehmern ihre Kenntnisse in kürzester Zeit umzusetzen.
Empfohlene Seminardauer: 1-1,5 Tage
Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)
WORKSHOP
Sie nennen uns Ihre Themen!
Preis auf Anfrage
zzgl. gesetzlicher USt und ggf. Reisekoste
Alle Inhalte des Workshops werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.
Gerne führen wir den Workshop bei Ihnen vor Ort, in Wiesbaden oder online durch.
Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)
Module des Seminars (wenn Sie einen Workshop buchen wollen, stellen Sie sich bitte die Inhalte aus dieser Liste zusammen, gerne helfen unser Expert:innen dabei):
Modul 1: Einmal komplett von A bis Z
-
In diesem Modul werfen wir Sie direkt ins kalte Wasser: Sie nutzen ein jupyter-Notebook mit einem bereits funktionieren Beispiel und führen dies gemeinsam mit ihrem Dozenten Schritt-für-Schritt aus. So sehen Sie, wie Sie mittels Transfer-Learning zu einem auf einen neuen Bildbestand trainierten Modell kommen und können auch schon abschätzen, wie gut das Modell mit den neuen Daten funktioniert und wie hoch der Zeit- und Trainingsaufwand ist.
Modul 3: Die eigenen Bilddaten: Vorbereitung
-
Wie viele Bilder sind überhaupt notwendig? Wie sind die Bilddateien, auf die sie das Netz trainieren wollen, aufzubereiten? Welche Transformationen sind notwendig, welche Bildformate werden unterstützt? In diesem Abschnitt lernen Sie die notwendigen Vorarbeiten. Sind nicht genügend Bilder vorhanden, können die vorhandenen auch verfremdet, gedreht, gestaucht, gestreckt etc. werden, um die Trainingsmenge zu erhöhen.
Modul 2: Populäre vortrainierte Modelle: ResNet, InceptionV3, SqueezeNet
-
Hier bekommen Sie einen Überblick über verfügbare Netze, auf welchen Schwerpunkt diese Netze trainiert worden sind. Zudem lernen Sie, wie die zugrundeliegenden Techniken funktionieren.
-
Der Schwerpunkt liegt aber in der Nutzung der Netze für eigene Zwecke. Wo können Sie die Netze beziehen und welche Anforderungen gibt es, diese zu nutzen. Die Umsetzung erfolgt wieder mit Python in jupyter-Notebooks.
Modul 4: Netzwerk-Topologie
-
Deep Learning Modelle bestehen aus komplexeren Netzwerken. Hier sprechen wir von Netzwerk-Topologie. Dabei besteht ein Netzwerk nicht nur aus Schichten mit Neuronen, sondern es gibt auch Filter- und Transformationsschichten. Hier bekommen Sie einen Überblick über die für ihr Modell notwendigen Schichten und wie diese auszubauen sind.
Modul 5: Trainieren Sie ihr eigenes Deep Learning Modell
-
Hier trainieren wir gemeinsam ihr eigenes Deep Learning Modell, das auf ihre Bilddaten zugeschnitten ist. Hier lernen Sie auch, ob das durchgeführte Training bereits ausreichend ist oder ob noch weiter trainiert werden sollte.
Modul 6: Zusammenfassung, Hinweise, Fragen und Antworten
-
Sicher wollen Sie ihr Modell auch ausrollen. Wir zeigen Ihnen, wie das zum Beispiel als Android App funktioniert. Hinweis: Aufgrund der Komplexität liegt der Schwerpunkt in diesem Modul in der Demonstration der Möglichkeiten.
INHALT
Sie haben einen hohen Personal-Turnover im Lager? Nun fehlen die Experten, die Bauteile identifizieren und schnell im Lager wiederfinden können?
Sie wollen defekte Bauteile in einer Produktion automatisch aussortieren, das Personal wird aber immer knapper?
Hier helfen Verfahren der Künstlichen Intelligenz sind im Bereich der Bilderkennung. Diese sind heute schon weit fortgeschritten: So können Bildinhalte identifiziert werden, es können Objekte auf einem Bild erkannt werden, es Objekte auf einem Bild abgegrenzt werden, handgeschriebene Texte können in Druckbuchstaben transformiert werden oder Inhalte von Quittungen können extrahiert werden, um nur einige Anwendungsfälle zu nennen.
Dabei sind in den letzten Jahren vortrainierte Deep-Learning Modelle entstanden, die frei verfügbar sind. Zu nennen ist zum Beispiel das Inception V3 Modell, das ResNet oder das SqueezeNet. Diese Modelle sind in Rechenzentren mit spezialisierten Prozessen (TPUs) mit viel Aufwand unter hohen Kosten trainiert worden. Die zugrundeliegenden Modelle enthalten sehr viele Schichten und Filter.
Der Vorteil dieser vortrainierten Modelle ist nun, dass diese auf eigene Zwecke zugeschnitten werden können. Dazu werden einige der Schichten im Modell neu auf die eigenen Bilder trainiert. Dieser Prozess heißt Transfer Learning. Dabei kann gewählt werden, wie viele der Schichten neu trainiert werden sollen. Das passiert in Abhängigkeit von der Modellgüte.
So können Trainingsmengen mit funktionierenden und defekten Bauteilen genutzt werden, um dem Inception V3 beizubringen, diese automatisiert auf Bildern erkennen zu können.
Im Seminar – oder alternativ im zugeschnittenen Workshop – lernen Sie praktisch mit Python an Beispielen, wie Sie vortrainierte Modelle mit eigenen Bildern füttern und trainieren können. Das trainierte Modell kann dann in eigenen Applikationen verwendet werden können, z.B. einer App für die Lageristen oder in einer Produktionsüberwachungsanlage mit Kamera.