AI 人工智慧

Jetson Nano DLI 教學(二)：Image Classification 影像分類，將在 JupyterLab 使用互動式介面實作影像分類模型的資料收集(data Collect)、訓練(Train)與預測(Predict)。

今天我們將使用 MCU Pixel:Bit 整合其中的 Object Detection 專案，使用 500 萬畫素相機拍照後自動呼叫 REST API，並將回傳的 Bounding Box、名稱，加註寫在 TFT 上。

本篇文章將測試 Object Detection，要在 MCU 上實現 Object Detection 因為效能關係可說是非常困難，目前解決方案就是將運算交給雲端服務，雲端運算可以自己架設也可以使用各大雲端平台的服務，各有優缺點。

Azure Custom Vision 教學(一)：註冊帳號與專案準備」我們已經註冊好帳號，也啟用學生版帳戶，並且建立了影像分類的專案， 「教學(二)： 訓練 Image Classification 影像分類 AI 模型」我們將開始蒐集資料、訓練模型，最後測試模型囉！

本文介紹 Azure Custom Vision 雲端服務，使用者只需將資料圖片上傳至雲端平台，並透過雲端平台輔助完成圖片標籤、模型訓練，最後將模型發布，即可透過 Azure Custom Vision SDK、REST API 使用模型，傳送圖片資料後 API 會回傳辨識結果。

上一篇文章已經訓練好自己的模型 best.pt 了，這次就是要教大家如何使用自己的模型做推論，並經由 NVIDIA 官方的 TensorRT，針對自己的模型與硬體做加速與優化，其中會教大家什麼是 TensorRT ?以及如何安裝 onnx，並實際使用它！

本篇要教大家如何透過 Jetson Nano 連接的網路攝影機拍攝照片，使用 Roboflow 輔助標記資料，並進一步建置自己的資料集。最後使用 Google Colab，運用 Roboflow 匯出自己的資料集來訓練 YOLOv5 模型。

本篇文章將介紹如何使用 Seeed 推出的reComputer Jetson 系列的 J1010 (核心就是 Jetson Nano 4GB ) 安裝 YOLOv5 運行的環境，並使用網路攝影機體驗 YOLOv5 模型推論。

這篇教學會使用 MediaPipe 的全身偵測模型 ( Holistic ) 偵測人體，抓取頭、四肢等軀幹部位，再透過 OpenCV 讀取攝影鏡頭影像進行辨識，將五官、頭手四肢軀幹標記出節點以及骨架。

這篇教學會使用 MediaPipe 的姿勢偵測模型 ( pose ) 偵測人體姿勢，再透過 OpenCV 讀取攝影鏡頭影像進行辨識，將頭手四肢軀幹標記出對應的節點以及骨架，最後甚至還可透過偵測到的姿勢，作出即時去背的效果。