聯繫我們

課程簡介

邊緣人工智慧在電腦視覺中的介紹

  • 邊緣人工智慧的概述及其優勢。
  • 雲端人工智慧與邊緣人工智慧的比較。
  • 即時影像處理面臨的關鍵挑戰。

在邊緣裝置上部署深度學習模型

  • TensorFlow Lite 與 OpenVINO 的介紹。
  • 為邊緣部署最佳化並量化模型。
  • 案例研究:在邊緣裝置上運行 YOLOv8。

即時推論的硬體加速

  • 邊緣計算硬體(Jetson、Coral、FPGA)的概述。
  • 利用 GPU 與 TPU 進行加速。
  • 基準測試與效能評估。

即時物體偵測與追蹤

  • 使用 YOLO 模型實施物體偵測。
  • 即時追蹤移動中的物體。
  • 透過感測器融合提升偵測準確度。

邊緣人工智慧的優化技術

  • 透過剪枝與量化減少模型大小。
  • 降低延遲與功耗的技術。
  • 邊緣人工智慧模型的重新訓練與微調。

將邊緣人工智慧整合至物聯網系統

  • 在智慧型攝影機及物聯網裝置上部署人工智慧模型。
  • 邊緣人工智慧與即時決策制定。
  • 邊緣裝置與雲端系統之間的溝通。

邊緣人工智慧的安全性與道德考量

  • 邊緣人工智慧應用中的資料隱私問題。
  • 確保模型安全性,抵禦對抗性攻擊。
  • 符合人工智慧法規及道德人工智慧原則。

總結與後續步驟

最低要求

  • 熟悉電腦視覺概念。
  • 具備 Python 及深度學習框架的使用經驗。
  • 擁有邊緣計算及物聯網設備的基本知識。

目標受眾

  • 電腦視覺工程師。
  • 人工智慧開發者。
  • 物聯網專業人員。
 21 小時

客戶評論 (1)

課程分類