Anwendung umweltfreundlicher CV-Technologie in IoT-Systemen der neuen Generation

Heutzutage befindet sich die Computer-Vision-Technologie (CV) an einem Wendepunkt, da große Trends zusammenlaufen, um die Cloud-Technologie in winzigen Edge-KI-Geräten allgegenwärtig zu machen, die für bestimmte Anwendungen optimiert und oft batteriebetrieben sind.

Fortschritte in der Technologie gehen spezifische Herausforderungen an, die es diesen Geräten ermöglichen, komplexe Funktionen nativ in eingeschränkten Umgebungen auszuführen, einschließlich Größe, Leistung und Speicher. Diese Cloud-zentrierte KI-Technologie breitet sich bis zum Rand aus, und neue Entwicklungen werden die KI-Vision am Rand allgegenwärtig machen.

Kontextsensitive Geräte können nicht nur den Benutzer erkennen, sondern auch die Umgebung, in der sich der Benutzer befindet, um so bessere Entscheidungen zu treffen und nützlichere automatisierte Interaktionen zu erreichen.

Zum Beispiel kann ein Smartphone die Aufmerksamkeit des Nutzers visuell wahrnehmen und sein Verhalten und seine Energiestrategie entsprechend anpassen. Dies ist nützlich, um Strom zu sparen (das Gerät auszuschalten, wenn kein Benutzer erkannt wird), die Sicherheit zu verbessern (nicht autorisierte Benutzer oder unerwünschte „Lurer“ zu erkennen) und für ein reibungsloseres Benutzererlebnis zu sorgen. Durch die Verfolgung des Blicks von Umstehenden (Bystander-Erkennung) kann die Technologie den Benutzer sogar noch weiter warnen und den Bildschirminhalt ausblenden, bis der Benutzer nicht mehr behindert wird

Ein weiteres Beispiel: Smart-TVs können erkennen, ob und von wo aus jemand zuschaut, und sich dann entsprechend anpassen Bildqualität und Ton entsprechend anpassen. Es kann sich automatisch abschalten, um Strom zu sparen, wenn niemand anwesend ist. Klimaanlagen optimieren Leistung und Luftstrom je nach Raumbelegung, um Energiekosten zu sparen.

Das Aufkommen von Heimbüros und hybriden Arbeitsmodellen hat die intelligente Energienutzung in Gebäuden und anderen Bereichen finanziell noch wichtiger gemacht.

Die Anwendungen dieser Technologie beschränken sich nicht nur auf Fernseher und PCs, sondern finden sich auch in der Fertigung und anderen Bereichen eine wichtige Rolle im industriellen Bereich. Im Hinblick auf die Sicherheitsüberwachung kann es beispielsweise zur Objekterkennung, zur vorausschauenden Wartung und zur Steuerung des Fertigungsprozesses eingesetzt werden, beispielsweise zur Durchsetzung von Sperrbereichen, sicheren Durchgängen und Schutzausrüstung. Auch die Landwirtschaft ist ein weiterer Bereich, der von visionsbasierter Situationserkennungstechnologie profitieren kann, wie z. B. Ernteinspektion und Qualitätsüberwachung. Viele Menschen wissen nicht einmal, wie sie Computer-Vision-Technologie in ihrem täglichen Leben nutzen. Zum Beispiel:

• Bildklassifizierung und Objekterkennung: Die Objekterkennung kombiniert Klassifizierung und Lokalisierung, um Objekte in einem Bild oder Video zu identifizieren und ihre Position im Bild anzugeben. Es wendet die Klassifizierung auf verschiedene Objekte an und verwendet Begrenzungsrahmen. CV funktioniert über Mobiltelefone und kann zur Identifizierung von Objekten in Bildern oder Videos verwendet werden.

Bankwesen: Lebensläufe werden häufig in Bereichen wie Betrugsbekämpfung, Identitätsüberprüfung, Datenextraktion usw. eingesetzt, mit dem Ziel, das Kundenerlebnis zu verbessern, die Sicherheit zu erhöhen und die betriebliche Effizienz zu verbessern.

Einzelhandel: Durch die Entwicklung von Computer-Vision-Systemen zur Verarbeitung dieser Daten Daten, damit die digitale Transformation realer Industrien einfacher zu erreichen ist, wie zum Beispiel Self-Checkouts

Autonome Autos: Computer Vision spielt eine Schlüsselrolle bei der Erkennung und Klassifizierung von Objekten wie Verkehrsschildern oder Ampeln, der Erstellung von 3D-Karten oder der Bewegungsschätzung. Ermöglichung autonomen Fahrens Die Realisierung von Automobilen

CV am Rande

Visuelle Verarbeitung basierend auf maschinellem Lernen weist einen offensichtlichen Trend im Randbereich auf. Die Hardwarekosten sinken weiter, die Rechenleistung nimmt deutlich zu und neue Methoden erfordern weniger Strom und Speicher, um kleine Modelle zu trainieren und bereitzustellen. Diese Faktoren senken die Hürden für die Einführung der Edge-KI-Technologie und fördern deren Nutzung

Aber auch wenn wir eine immer allgegenwärtigere Mikro-KI sehen, gibt es noch viel zu tun. Um Ambient Computing Wirklichkeit werden zu lassen, müssen wir in vielen Marktsegmenten Long-Tail-Anwendungsfälle bedienen, was zu Herausforderungen bei der Skalierbarkeit führen kann.

In Konsumgütern, Fabriken, Landwirtschaft, Einzelhandel und anderen Bereichen erfordert jede neue Aufgabe einen anderen Algorithmus und einen einzigartigen Datensatz zum Trainieren. Lösungsanbieter bieten mehr Entwicklungstools und Ressourcen, um optimierte ML-fähige Systeme zu erstellen, die spezifische Anwendungsfallanforderungen erfüllen.

TinyML

TinyML ist ein wichtiger Wegbereiter für alle Arten künstlicher Intelligenz am Rande. Dies ist ein Ansatz zur Entwicklung leichter und energieeffizienter ML-Modelle direkt auf Edge-Geräten durch Nutzung kompakter Modellarchitekturen und optimierter Algorithmen.

TinyML ermöglicht die lokale KI-Verarbeitung auf dem Gerät, wodurch die Notwendigkeit einer ständigen Cloud-Konnektivität reduziert wird. Neben einem geringeren Stromverbrauch reduziert die TinyML-Implementierung die Latenz, verbessert den Datenschutz und die Sicherheit und reduziert den Bandbreitenbedarf.

Darüber hinaus können Edge-Geräte dadurch Entscheidungen in Echtzeit treffen, ohne sich übermäßig auf die Cloud-Infrastruktur verlassen zu müssen, wodurch KI in einer Vielzahl von Anwendungen, einschließlich intelligenter Geräte, Wearables und industrieller Automatisierung, zugänglicher und praktischer wird. Dies trägt dazu bei, Funktionslücken zu schließen und ermöglicht es KI-Unternehmen, Software rund um ihre NPU-Produkte zu aktualisieren, indem sie einen umfangreichen Satz an Modellbeispielen – einen „Modellzoo“ – und Anwendungsreferenzcode entwickeln

Auf diese Weise können sie die geeigneten Algorithmen für die Zielhardware optimieren, um spezifische Geschäftsanforderungen innerhalb festgelegter Kosten-, Größen- und Stromverbrauchsbeschränkungen zu erfüllen und so ein breiteres Spektrum von Long-Tail-Anwendungen zu unterstützen und gleichzeitig den Designerfolg sicherzustellen.

Das obige ist der detaillierte Inhalt vonAnwendung umweltfreundlicher CV-Technologie in IoT-Systemen der neuen Generation. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!