奈米學位學習方案 – IoT 開發者的 Intel® Edge AI

Contents

課程簡介

帶你進入物聯網(IoT)未來尖端人工智慧應用的開發。利用 Intel® Distribution of OpenVINO™ Toolkit 快速開發高性能電腦視覺和深度學習推理應用程式。

預估完成時間：3 個月

你將學習到

利用 Intel® Distribution of OpenVINO™ Toolkit 快速開發高性能電腦視覺和深度學習推理應用程式，並為本地電腦視覺運行預訓練的深度學習模型。你將識別各種硬體類型( CPU、VPU、FPGA 和整合 GPU)的關鍵硬體規格，並利用針對 Edge (邊緣運算)的英特爾® DevCloud 來測試各種硬體類型上的模型性能。最後，你將使用軟體工具來優化深度學習模型，以提高 Edge AI 系統的性能。

課程事先準備

要在該計劃中取得成功，學生應具備以下條件：：

中級 Python 程式設計知識
具有訓練和部署深度學習模型的經驗
熟悉不同的 DL 層和架構（基於 CNN）
熟悉命令行（bash 終端）
使用 OpenCV 的經驗

The Edge AI market is forecasted to grow from $355 million in 2018 to $1.15 billion by 2023, at 27% annually

課程內容

OpenVINO™ 的 Edge AI 基礎

利用預先訓練的模型進行電腦視覺推理。你將使用模型優化器將預訓練模型轉換為與框架無關的中間表示( intermediate representation )，並通過與硬體無關的推理引擎對深度學習模型執行有效推理。最後，你將在 Edge (邊緣)部署一個應用程式，包括通過 MQTT 發送資訊，並分析模型性能和用例

專案：Deploy a People Counter at the Edge

研究用於人員檢測的不同預訓練模型，並檢測框架中的人數以及在那花費的時間。

用於電腦視覺和深度學習應用部署的硬體

提高你在選擇正確硬體方面的專業知識。識別各種硬體類型（CPU、VPU、FPGA 和整合 GPU）的關鍵硬體規格。利用針對 Edge 的 Intel® DevCloud 測試模型性能並在各種硬體類型上部署節能的深度神經網路推理。最後，你將在可用的計算設備上分配工作負載，以提高模型性能。

專案：Design a Smart Queuing System

為零售、製造和運輸行業構建自定義的排隊系統，並使用針對 Edge 的 Intel® DevCloud 來測試你的解決方案性能。

電腦視覺和深度學習應用的優化技術和工具

了解如何優化模型和應用程式程式碼，以減少在邊緣運行模型時的推理時間。使用不同的軟體優化技術來改進模型的推理時間。計算你的模型的計算成本。使用 DL Workbench 優化你的模型並對模型的性能進行基準測試。使用 VTune 放大器查找和修復應用程式程式碼中的熱點。最後，打包你的應用程式碼和數據，以便可以輕鬆地將其部署到多個設備。

專案 : Build a Computer Pointer Controller

使用 OpenVINO™ 工具包中提供的模型，通過眼睛凝視來控制電腦指針。