感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
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
客戶評論 (1)
我們可以涵蓋高級主題,並運用實際案例
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
課程 - Advanced Edge AI Techniques
機器翻譯