你将收获

将帮助您快速上手英特尔® OpenVINO™ 工具套件

能够使您快速构建出基于视觉处理的AI应用

在云端Linux Terminal下获得动手实操的机会

获得由英特尔授权CSDN颁发的英特尔®OpenVINO™开发工具包中级课程结业证书

适用人群

本课程适用于想要学习英特尔® OpenVINO™工具套件使用方法以及想要快速构建视频处理AI应用的学员。并且同时适用于没有开发设备但是对视频处理以及OpenVINO™富有兴趣的同学进行学习。

课程介绍

感谢您了解学习【英特尔OpenVINO™工具套件】系列课程,为了能给您提供更好的课程体验,现诚邀您花费2分钟的时间填写关于本课程的调查问卷。我们将在填写问卷的同学中抽取5名幸运的小伙伴儿,每人赠送一张价值99元的CSDN·VIP月卡,感谢您的参与!问卷地址:https://t.csdnimg.cn/07Qv

 

英特尔® OpenVINO™工具套件中级课程面向有一定基础的学员。若您是一名计算视觉技术的初学者,我们将建议您先学习英特尔® OpenVINO™工具套件的初级课程,再进行中级课程的学习。本课程将主要介绍计算机视觉应用的相关知识,特别是英特尔® OpenVINO™工具套件的整体架构以及使用方法。整个课程的视频课程部分包含了OpenVINO™模型优化器和推理引擎的使用,视频解码的OpenCVMediaSDKGstreamer的使用,AI应用中的推理优化,以及构建一套完整的视频推理AI应用的Demo演示。并且课程提供了动手实验环节,届时您将使用一个虚拟云终端进行操作实验。通过本课程的学习,将帮助您快速上手英特尔® OpenVINO™ 工具套件的使用方法,并且能够熟悉如何去快速构建一款AI应用。

为保证您顺利收听课程参与测试获取证书,还请您使用电脑端进行课程学习!

为了便于您更好的学习本次课程,推荐您在本地下载英特尔® OpenVINO™工具套件,下载地址:https://t.csdnimg.cn/yOf5

 

 

Intel®Devcloud注册地址:https://devcloud.intel.com/

 

收听中级课程并完成动手实验,可获得专属定制证书,还可以参与定制周边的抽奖活动

8月1日-9月39日,学习完成【初级课程】的小伙伴,可以免费学习【中级课程】,中级课程免费学习优惠券将在学完初级课程后的7个工作日内发送至您的账户,您可以在:https://i.csdn.net/#/wallet/coupon查询优惠券情况,请大家报名初级课程后尽快学习哦~初级课程学习:https://edu.csdn.net/course/detail/27685

 

请注意:点击报名即表示您确认您已年满18周岁,并且同意CSDN基于商务需求收集并使用您的个人信息,用于注册OpenVINO™工具套件及其课程。CSDN和英特尔会为您定制最新的科学技术和行业信息,将通过邮件或者短信的形式推送给您,您也可以随时取消订阅不再从CSDN或Intel接收此类信息。 查看更多详细信息请点击CSDN“用户服务协议”,英特尔“隐私声明”和“使用条款”。

课程目录

讨论留言

正在加载中...

同学笔记

  • QZZZYT 2022-03-19 14:47:32

    来源:Gstreamer框架 查看详情

    Gstreamer流水线视频处理

    完整部署一个模拟AI应用的流程

     

  • QZZZYT 2022-03-19 11:25:40

    来源:视频分析推理流程 查看详情

    视频分析推理流程

    解码(decode):主要目的是对视频进行解压缩,使用media-SDK进行解码和图像处理。opencv调用。

    预处理(pre processing):解码完成后需要处理获得的每一帧图像以匹配神经网络的输入格式。

    推理(inference):使用基于深度学习的模型来进行推理。

    推理后(post processing):对推理结果进行处理。(eg打印标签)

    编码(encode):重新对视频进行压缩。

     

    视频分析流程的软件选项:

    硬件选项:

  • QZZZYT 2022-03-19 11:03:21

    来源:模型参数选择与推理模式设置 查看详情

    模型评估与硬件选择

    准确性(Accuary):不是模型实际部署的关键因素

    吞吐量(throughput):神经网络在一秒钟可以处理的帧数。FPS  每秒吞吐量

    延迟(latency):从数据开始分析到结果可以被读取的时间,以秒为单位。反映从事件发生到实际物体被检测出来之间的时长。

    效率(efficiency):成本考虑

     

    影响性能的因素:

    1.神经网络本身拓扑或架构

    2.目标设备的选择

    3.模型精度(优势:为特定设备选择最佳数据类型)

    4.批处理

    5.异步执行

    6.cpu的吞吐量模型

     

     

     

     

     

     

     

     

没有更多了