Das Intellesis AI Paket erlaubt das Trainieren, Importieren und Ausf\u00fchren von verschiedenen Machine- und Deep-Learning Modellen in ZEN und ZEN core. Es beinhaltet die drei folgenden AI Modalit\u00e4ten: Machine- und Deep-Learning zur Segmentierung (Training f\u00fcr Deep- Learning auf APEER oder extern) Machine-Learning zur Objekt-Klassifizierung in analysierten Bildern (ben\u00f6tigt analysierte Bilddaten) Deep-Learning basiertes Denoising mithilfe von Noise2Void (keine Label n\u00f6tig) F\u00fcr jeden Workflow existiert ein spezielles Tool zum Labeln und Annotieren der Daten bzw. Objekte. Das Paket unterst\u00fctzt alle Bildformate, die in ZEN und ZEN core geladen werden k\u00f6nnen. Das schlie\u00dft Daten ein, die \u00fcber den 3rd-Party-Import von anderen Anbietern geladen wurden. Zus\u00e4tzlich k\u00f6nnen multidimensionale Datens\u00e4tze einschlie\u00dflich Z- Stapel, Mehrkanal- und Kachelbilder verarbeitet werden. – Es ist m\u00f6glich, Labeling und Training f\u00fcr Deep-Learning Modelle als Teil einer kundenspezifischen L\u00f6sung (SCS) als Service in Auftrag zu geben. – Die komplette ZEN Plattform ist AI ready“, d.h. trainierte Modelle k\u00f6nnen in allen Bildanalyse Tools in ZEN und ZEN core (z.B. 2D Toolkit, Bio Apps Toolkit, Smart acquisition Toolkit, Technical Cleanliness Analysis, Materials Apps Toolkit, \u2026) zur Segmentierung verwendet werden. Zum Ausf\u00fchren von trainierten Modellen innerhalb dieser Module\/Toolkits wird das ZEN Intellesis AI Toolkit nicht ben\u00f6tigt. – Wichtig: Empfohlene Hardwarekonfiguration sind 8GB GPU und 64GB RAM. Nur Nvidia GPUs und die CPU werden unterst\u00fctzt. „<\/p>\n","protected":false},"excerpt":{"rendered":"
Das Intellesis AI Paket erlaubt das Trainieren, Importieren und Ausf\u00fchren von verschiedenen Machine- und Deep-Learning Modellen in ZEN und ZEN core. Es beinhaltet die drei folgenden AI Modalit\u00e4ten: Machine- und Deep-Learning zur Segmentierung (Training f\u00fcr Deep- Learning auf APEER oder extern) Machine-Learning zur Objekt-Klassifizierung in analysierten Bildern (ben\u00f6tigt analysierte Bilddaten) Deep-Learning basiertes Denoising mithilfe von […]<\/p>\n","protected":false},"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","meta":[],"product_brand":[],"product_cat":[15],"product_tag":[],"class_list":{"0":"post-1356","1":"product","2":"type-product","3":"status-publish","5":"product_cat-unkategorisiert","7":"first","8":"instock","9":"taxable","10":"shipping-taxable","11":"purchasable","12":"product-type-simple"},"jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=\/wp\/v2\/product\/1356","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=\/wp\/v2\/product"}],"about":[{"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=\/wp\/v2\/types\/product"}],"replies":[{"embeddable":true,"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1356"}],"wp:attachment":[{"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1356"}],"wp:term":[{"taxonomy":"product_brand","embeddable":true,"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=%2Fwp%2Fv2%2Fproduct_brand&post=1356"},{"taxonomy":"product_cat","embeddable":true,"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=%2Fwp%2Fv2%2Fproduct_cat&post=1356"},{"taxonomy":"product_tag","embeddable":true,"href":"https:\/\/test.pulchlorenz.de\/index.php?rest_route=%2Fwp%2Fv2%2Fproduct_tag&post=1356"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}