今天，計算機視覺(CV)技術正處于一個轉折點，主要趨勢匯聚起來，使云技術在針對特定用途優化的微型邊緣人工智能設備中變得無處不在，這些設備通常由電池供電。

解決特定挑戰的技術進步使這些設備能夠在受限的環境中本地執行復雜的功能——即尺寸、功率和內存——正在使這種以云為中心的人工智能技術延伸到邊緣，新的發展將使邊緣的人工智能視覺無處不在。

了解技術

CV技術確實處于邊緣，并且正在實現人機界面(HMI)的下一個級別。

情境感知設備不僅能感知用戶，還能感知用戶所處的環境，從而做出更好的決策，實現更有用的自動化交互。

例如，筆記本電腦可以在視覺上感知用戶的注意力，并相應地調整其行為和電源策略。這對于省電(當沒有檢測到用戶時關閉設備)以及安全(檢測未授權用戶或不需要的“潛伏者”)原因都是有用的，并且提供更無摩擦的用戶體驗。事實上，通過跟蹤旁觀者的眼球(旁觀者檢測)，該技術可以進一步提醒用戶，并隱藏屏幕內容，直到海岸暢通無阻。

另一個例子：智能電視機可以感知是否有人在觀看以及從哪里觀看，然后相應地調整圖像質量和聲音。 當無人在場時，它可以自動關閉以節省電量。 空調系統根據房間占用情況優化功率和氣流，以節省能源成本。

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務上變得更加重要。

該技術不僅限于電視和個人電腦，在制造業和其他工業用途中也發揮著至關重要的作用，例如用于安全監管(即禁區、安全通道、防護裝備執行)的對象檢測、預測性維護和 制造過程控制。 農業是另一個將從基于視覺的情境感知技術中受益匪淺的部門：例如農作物檢驗和質量監控。

計算機視覺的應用

深度學習的進步使計算機視覺領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如何在日常生活中使用計算機視覺技術。 例如：

? 圖像分類和對象檢測：對象檢測結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。 它將分類應用于不同的對象并使用邊界框。 CV 通過手機工作，可用于識別圖像或視頻中的對象。

? 銀行業：CV 用于欺詐控制、身份驗證、數據提取等領域，以增強客戶體驗、提高安全性并提高運營效率。

? 零售：用于處理這些數據的計算機視覺系統的開發使實際行業的數字化轉型變得更加容易實現，例如自助結賬。

? 自動駕駛汽車：計算機視覺用于檢測和分類物體(例如路標或交通燈)、創建 3D 地圖或運動估計，并在使自動駕駛汽車成為現實方面發揮關鍵作用。

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，計算能力正在顯著提高，新的方法使訓練和部署需要更少功率和內存的小規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。為了使環境計算成為現實，我們需要服務于許多細分市場中的長尾用例，這可能會產生可擴展性挑戰。

在消費品、工廠、農業、零售和其他領域，每個新任務都需要不同的算法和獨特的數據集來進行訓練。解決方案提供商提供更多的開發工具和資源來創建優化的支持ML的系統，以滿足特定的用例需求。

TinyML

TinyML是在邊緣實現所有類型人工智能的一個關鍵使能因素。這是一種通過利用緊湊的模型架構和優化的算法，直接在邊緣設備上開發輕量級和高能效ML模型的方法。

TinyML使AI處理能夠在設備上本地進行，減少了對持續云連接的需求。除了功耗更低之外，TinyML實現還降低了延遲，增強了隱私和安全性，并降低了帶寬要求。

此外，它使邊緣設備能夠在不嚴重依賴云基礎設施的情況下做出實時決策，使人工智能在各種應用程序中更容易訪問和實用，包括智能設備、可穿戴設備和工業自動化。這有助于解決功能差距，并使人工智能公司能夠通過開發豐富的模型示例集——“模型動物園”——和應用參考代碼，圍繞其NPU產品升級軟件。

這樣，他們就可以在確定的成本、尺寸和功耗限制內，針對目標硬件優化合適的算法來解決特定的業務需求，從而支持更廣泛的長尾應用，同時確保設計成功。