1.我为什么要学习这门课?
机器视觉是目前人工智能重要的应用领域,已经得到了广泛的应用,在很多领域都有很多成功的应用案例。其中深度学习的目标检测算法是非常有用的技术基础。目前,这方面的人才需求比较旺盛。如何在预训练的模型基础上,通过迁移学习,根据现实应用的需求,继续高效、高质量地训练模型,达到快速部署的目的就成为非常紧迫的工作。本课程在介绍机器视觉相关技术基础的基础上,介绍一款强大的机器视觉工具,可以帮助学员方便地实现机器视觉在边缘计算场景的应用。
2.这门课的主题是什么?
这门课主要介绍机器视觉的基本算法,并通过案例和实验的方式,详细地介绍如何利用OpenVINO、头歌等深度学习加速平台进行模型的优化和推理,实现机器视觉在边缘计算领域的应用。
3.学习这门课可以获得什么?特别是对自己有什么帮助和应用?
通过本课程的学习,不仅可以了解目标检测的常用算法原理,而且可以学习通过使用性能强大的OpenVINO、头歌等平台,实现目标检测、语义分割等预训练模型在边缘计算领域的应用方法。
4.这门课有什么特色和亮点?
本课程深入浅出,通过典型的案例和动手练习,使用比较少的代码,就可以实现目标检测、语义分割等算法的典型应用。
5.案例代码的下载方式
课程的案例除了在相关案例网页下载外,其他演示案例以及更多案例代码可以到
https://github.com/openvinotoolkit/openvino_notebooks下载。
熟悉目标检测的常用算法,并在此基础上应用OpenVINO平台(含AIxBoard板子),实现典型的机器视觉应用,在此基础上做创新性的边缘计算应用。
学习本课程前需要掌握深度学习的基本原理,了解目标检测、语义分割等深度学习的常用算法更佳,也需要一定的Python编程基础。
为积极响应国家低碳环保政策, 2021年秋季学期开始,中国大学MOOC平台将取消纸质版的认证证书,仅提供电子版的认证证书服务,证书申请方式和流程不变。
电子版认证证书支持查询验证,可通过扫描证书上的二维码进行有效性查询,或者访问 https://www.icourse163.org/verify,通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。
完成课程教学内容学习和考核,成绩达到课程考核标准的学生(每门课程的考核标准不同,详见课程内的评分标准),具备申请认证证书资格,可在证书申请开放期间(以申请页面显示的时间为准),完成在线付费申请。
认证证书申请注意事项:
1. 根据国家相关法律法规要求,认证证书申请时要求进行实名认证,请保证所提交的实名认证信息真实完整有效。
2. 完成实名认证并支付后,系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。
1.赵卫东. 机器学习案例实战(第2版). 北京:人民邮电出版社,2021(实验和实训,Python语言)
2.赵卫东,董亮编著.机器学习(第2版).北京:人民邮电出版社,2022(Python语言)
3.赵卫东,董亮著.Python机器学习实战案例(第2版).北京:清华大学出版社,2022(实验和实训,Python语言)
有关OpenVINO的一些介绍和应用可以参考OpenVINO中文社区:
1. 没有基础可以学习吗?
答:建议学员至少有一定的Python语言基础,并学习过机器学习和深度学习的基本知识(尤其是卷积神经网络和目标检测等部分),可以选修课程https://www.icourse163.org/course/FUDAN-1205806833。
2.如何使用课程介绍的算法和工具解决实际问题?
答:可以先消化课程提供的案例和实验,结合推荐教材的实验练习,理解机器视觉常用算法原理以及OpenVINO的使用方法。
3.本课程是否会讲实训的内容?
答:本课程会介绍OpenVINO和算能等业界主流平台的应用方法,实用性强,强调动手练习。
4.实验用什么平台?如何安装?
答:本课程使用OpenVINO加速器,可以采用以下步骤安装(具体参考课程文档):
(1)产生虚拟环境
python -m venv openvino_env
(2)激活虚拟环境
openvino_env\Scripts\activate
(3)升级pip到最新版本
python -m pip install --upgrade pip
(4)下载和安装包
pip install openvino-dev==2023.1.0
5.本课程的资料可以怎么使用?
答:本课程的资料(包括课件、视频、程序和数据)仅仅用于学习用,没有经过允许,不能用于其他目的。
6.OpenVINO是什么平台?
答:使用英特尔 OpenVINO 工具套件分发版开发可模拟人类视觉的应用和解决方案。该工具套件基于卷积神经网络 (CNN),可在英特尔 硬件(包括加速器)中扩展工作负载并实现性能最大化。
· 支持从边缘到云的深度学习推理
· 加速 AI 工作负载,包括计算机视觉、音频、语音、语言和推荐系统
· 使用通用 API 支持在所有英特尔 架构和 AI 加速器 — CPU、iGPU、英特尔 Movidius 视觉处理单元 (VPU)、FPGA 和英特尔 高斯和神经加速器(英特尔 GNA)上实现异构执行
· 通过函数库和预优化内核缩短上市时间
· 包括面向 OpenCV、OpenCL 内核以及其他工业工具和库的优化调用
致谢:本课程得到了Intel公司和算能公司的大力支持,这里特表示感谢!