聯繫我們

課程簡介

邊緣 AI 用於電腦視覺介紹

  • 邊緣 AI 及其效益概覽
  • 雲端 AI 與邊緣 AI 的比較
  • 即時影像處理的關鍵挑戰

在邊緣裝置上部署深度學習模型

  • TensorFlow Lite 與 OpenVINO 介紹
  • 為邊緣部署優化並量化模型
  • 案例研究:在邊緣裝置上運行 YOLOv8

即時推論的硬體加速

  • 邊緣運算硬體(Jetson、Coral、FPGAs)概覽
  • 利用 GPU 和 TPU 進行加速
  • 基準測試與效能評估

即時物體偵測與追蹤

  • 實作使用 YOLO 模型的物體偵測
  • 即時追蹤移動中的物體
  • 利用感應器融合提升偵測準確度

邊緣 AI 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 AI 模型的重新訓練與微調

將邊緣 AI 整合至 IoT 系統

  • 在智慧相機與 IoT 裝置上部署 AI 模型
  • 邊緣 AI 與即時決策制定
  • 邊緣裝置與雲端系統間的溝通

邊緣 AI 的安全與倫理考量

  • 邊緣 AI 應用中的資料隱私問題
  • 確保模型安全性以防止對抗性攻擊
  • 符合 AI 法規與道德 AI 原則

總結與後續步驟

最低要求

  • 熟悉電腦視覺概念
  • 具備 Python 及深度學習框架的經驗
  • 具備邊緣運算與 IoT 裝置的基本知識

受訓對象

  • 電腦視覺工程師
  • AI 開發人員
  • IoT 專業人士
 21 小時

人數


每位參與者的報價

客戶評論 (1)

即將到來的課程

課程分類