差别
这里会显示出您选择的修订版和当前版本之间的差别。
| 两侧同时换到之前的修订记录 前一修订版 | |||
| digi:arm-embedded:arm-embedded-som:ml_ai [2021/02/23 14:39] – robin | digi:arm-embedded:arm-embedded-som:ml_ai [2021/02/23 14:44] (当前版本) – robin | ||
|---|---|---|---|
| 行 6: | 行 6: | ||
| 在实际应用中，往往是OpenCV+TensorFlow或OpenCV+Pytorch来实现结合做图像识别等应用。比如，OpenCV 创始人 Gary Bradski 等人近期就发表了一篇 Kornia 的综述。Kornia 是一个基于 PyTorch 的可微分的计算机视觉库。嵌入式人工智能和机器学习一般都和视觉应用有关。在Digi的ConnectCore系列中，主要是在DEY上实现OpenCV的相关开发和应用。 | 在实际应用中，往往是OpenCV+TensorFlow或OpenCV+Pytorch来实现结合做图像识别等应用。比如，OpenCV 创始人 Gary Bradski 等人近期就发表了一篇 Kornia 的综述。Kornia 是一个基于 PyTorch 的可微分的计算机视觉库。嵌入式人工智能和机器学习一般都和视觉应用有关。在Digi的ConnectCore系列中，主要是在DEY上实现OpenCV的相关开发和应用。 | ||
| + | **典型应用：** | ||
| + | * 仪器仪表 | ||
| + | * 医疗仪器 （CT或图片病理病样识别诊断） | ||
| + | * 交通设施 （障碍识别，行人检测，违规探测） | ||
| + | * 工业应用 （机器流程识别，探伤，螺丝检测……） | ||
| + | * 人脸识别的商业应用 | ||
| + | * 等等 | ||
| ===OpenCV进阶理解=== | ===OpenCV进阶理解=== | ||
| 机器学习框架一般是基于OpenCL标准在异构平台上运行程序的框架，所谓异构平台，一般情况我们指GPU和CPU两种处理器混合的平台。由于GPU本身特殊的硬件架构，GPU被设计成拥有非常强大的并行运算能力，这正是神经网络机器学习所需要的。通过openCL可以利用GPU强大的并行能力代替CPU进行运算，OpenCL由在OpenCL设备上运行的kernel函数语言和控制平台的API组成。 | 机器学习框架一般是基于OpenCL标准在异构平台上运行程序的框架，所谓异构平台，一般情况我们指GPU和CPU两种处理器混合的平台。由于GPU本身特殊的硬件架构，GPU被设计成拥有非常强大的并行运算能力，这正是神经网络机器学习所需要的。通过openCL可以利用GPU强大的并行能力代替CPU进行运算，OpenCL由在OpenCL设备上运行的kernel函数语言和控制平台的API组成。 | ||