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。 |