今天，計(jì)算機(jī)視覺(CV)技術(shù)正處于一個(gè)轉(zhuǎn)折點(diǎn)，主要趨勢匯聚起來，使云技術(shù)在針對特定用途優(yōu)化的微型邊緣人工智能設(shè)備中變得無處不在，這些設(shè)備通常由電池供電。

今天，計(jì)算機(jī)視覺(CV)技術(shù)正處于一個(gè)轉(zhuǎn)折點(diǎn)，主要趨勢匯聚起來，使云技術(shù)在針對特定用途優(yōu)化的微型邊緣人工智能設(shè)備中變得無處不在，這些設(shè)備通常由電池供電。

解決特定挑戰(zhàn)的技術(shù)進(jìn)步使這些設(shè)備能夠在受限的環(huán)境中本地執(zhí)行復(fù)雜的功能——即尺寸、功率和內(nèi)存——正在使這種以云為中心的人工智能技術(shù)延伸到邊緣，新的發(fā)展將使邊緣的人工智能視覺無處不在。

了解技術(shù)

CV技術(shù)確實(shí)處于邊緣，并且正在實(shí)現(xiàn)人機(jī)界面(HMI)的下一個(gè)級別。

情境感知設(shè)備不僅能感知用戶，還能感知用戶所處的環(huán)境，從而做出更好的決策，實(shí)現(xiàn)更有用的自動(dòng)化交互。

例如，筆記本電腦可以在視覺上感知用戶的注意力，并相應(yīng)地調(diào)整其行為和電源策略。這對于省電(當(dāng)沒有檢測到用戶時(shí)關(guān)閉設(shè)備)以及安全(檢測未授權(quán)用戶或不需要的“潛伏者”)原因都是有用的，并且提供更無摩擦的用戶體驗(yàn)。事實(shí)上，通過跟蹤旁觀者的眼球(旁觀者檢測)，該技術(shù)可以進(jìn)一步提醒用戶，并隱藏屏幕內(nèi)容，直到海岸暢通無阻。

另一個(gè)例子：智能電視機(jī)可以感知是否有人在觀看以及從哪里觀看，然后相應(yīng)地調(diào)整圖像質(zhì)量和聲音。 當(dāng)無人在場時(shí)，它可以自動(dòng)關(guān)閉以節(jié)省電量。 空調(diào)系統(tǒng)根據(jù)房間占用情況優(yōu)化功率和氣流，以節(jié)省能源成本。

通過家庭辦公混合工作模式，建筑物中智能能源利用的這些例子和其他例子在財(cái)務(wù)上變得更加重要。

該技術(shù)不僅限于電視和個(gè)人電腦，在制造業(yè)和其他工業(yè)用途中也發(fā)揮著至關(guān)重要的作用，例如用于安全監(jiān)管（即禁區(qū)、安全通道、防護(hù)裝備執(zhí)行）的對象檢測、預(yù)測性維護(hù)和 制造過程控制。 農(nóng)業(yè)是另一個(gè)將從基于視覺的情境感知技術(shù)中受益匪淺的部門：例如農(nóng)作物檢驗(yàn)和質(zhì)量監(jiān)控。

計(jì)算機(jī)視覺的應(yīng)用

深度學(xué)習(xí)的進(jìn)步使計(jì)算機(jī)視覺領(lǐng)域的許多令人驚奇的事情成為可能。 許多人甚至不知道他們?nèi)绾卧谌粘Ｉ钪惺褂糜?jì)算機(jī)視覺技術(shù)。 例如：

?圖像分類和對象檢測：對象檢測結(jié)合了分類和定位來確定圖像或視頻中的對象并指定它們在圖像中的位置。 它將分類應(yīng)用于不同的對象并使用邊界框。 CV 通過手機(jī)工作，可用于識別圖像或視頻中的對象。

?銀行業(yè)：CV 用于欺詐控制、身份驗(yàn)證、數(shù)據(jù)提取等領(lǐng)域，以增強(qiáng)客戶體驗(yàn)、提高安全性并提高運(yùn)營效率。

?零售：用于處理這些數(shù)據(jù)的計(jì)算機(jī)視覺系統(tǒng)的開發(fā)使實(shí)際行業(yè)的數(shù)字化轉(zhuǎn)型變得更加容易實(shí)現(xiàn)，例如自助結(jié)賬。

?自動(dòng)駕駛汽車：計(jì)算機(jī)視覺用于檢測和分類物體（例如路標(biāo)或交通燈）、創(chuàng)建 3D 地圖或運(yùn)動(dòng)估計(jì)，并在使自動(dòng)駕駛汽車成為現(xiàn)實(shí)方面發(fā)揮關(guān)鍵作用。

邊緣的CV

邊緣無處不在的基于ML的視覺處理的趨勢是明顯的。硬件成本正在下降，計(jì)算能力正在顯著提高，新的方法使訓(xùn)練和部署需要更少功率和內(nèi)存的小規(guī)模模型變得更加容易。所有這些都減少了采用的障礙，并增加了邊緣人工智能技術(shù)的使用。

但即使我們看到越來越多無處不在的微型人工智能，仍然有工作要做。為了使環(huán)境計(jì)算成為現(xiàn)實(shí)，我們需要服務(wù)于許多細(xì)分市場中的長尾用例，這可能會(huì)產(chǎn)生可擴(kuò)展性挑戰(zhàn)。

在消費(fèi)品、工廠、農(nóng)業(yè)、零售和其他領(lǐng)域，每個(gè)新任務(wù)都需要不同的算法和獨(dú)特的數(shù)據(jù)集來進(jìn)行訓(xùn)練。解決方案提供商提供更多的開發(fā)工具和資源來創(chuàng)建優(yōu)化的支持ML的系統(tǒng)，以滿足特定的用例需求。

TinyML

TinyML是在邊緣實(shí)現(xiàn)所有類型人工智能的一個(gè)關(guān)鍵使能因素。這是一種通過利用緊湊的模型架構(gòu)和優(yōu)化的算法，直接在邊緣設(shè)備上開發(fā)輕量級和高能效ML模型的方法。

TinyML使AI處理能夠在設(shè)備上本地進(jìn)行，減少了對持續(xù)云連接的需求。除了功耗更低之外，TinyML實(shí)現(xiàn)還降低了延遲，增強(qiáng)了隱私和安全性，并降低了帶寬要求。

此外，它使邊緣設(shè)備能夠在不嚴(yán)重依賴云基礎(chǔ)設(shè)施的情況下做出實(shí)時(shí)決策，使人工智能在各種應(yīng)用程序中更容易訪問和實(shí)用，包括智能設(shè)備、可穿戴設(shè)備和工業(yè)自動(dòng)化。這有助于解決功能差距，并使人工智能公司能夠通過開發(fā)豐富的模型示例集——“模型動(dòng)物園”——和應(yīng)用參考代碼，圍繞其NPU產(chǎn)品升級軟件。

這樣，他們就可以在確定的成本、尺寸和功耗限制內(nèi)，針對目標(biāo)硬件優(yōu)化合適的算法來解決特定的業(yè)務(wù)需求，從而支持更廣泛的長尾應(yīng)用，同時(shí)確保設(shè)計(jì)成功。