很高興今日(2020/10/24)受邀和大家分享如何使用Colab及OpenVINO來進行採果辨識系統開發。這次課程主要以實作為主、原理為輔，另外搭配很多程式碼說明。主要簡報內容大致如下。（點擊圖片放大）
物件偵測/辨識技術簡介
技術發展歷史
性能評量方式
取像、建立與標註資料集
常見物件偵測資料集
資料集格式介紹
labelImg安裝與使用
Google Colab程式碼體驗
Colab基本介紹
OpenVINO簡介
安裝OpenVINO到Colab
下載標註資料、預訓權重
資料集重新分配、轉換
模型訓練
影像推論
課程相關程式碼請至本部落格GITHUB https://github.com/OmniXRI/20201024_AIGO_Lab2 下載。
圖/文 歐尼克斯實境互動工作室 許哲豪 2020/10/08
應用「深度學習」或「人工智慧」技術的朋友應該都知道，想要有好的成果必須建立在「算法（模型）」、「算力」、「資料（數據）集」及「領域知識」四大基礎之上，尤其在「監督式學習」領域下，乾淨及精準標註的資料集更是不可或缺。近年來「電腦視覺」及「自然語言處理（理解）」技術的突飛猛進，正是依靠巨量及標註品質良好的資料集。以下本文將先針對「電腦視覺」中常用的「影像分類(Image Classification)」、「物件偵測（定位）(Object Detection / Location)」、「語義（像素級）分割(Semantic Segmentation)」、「實例分割(Instance Segmentation)」、「全景分割(Panoptic Segmentation)」及「人體骨架(Human Skeleton)」等幾大領域作簡單的「任務定義」，接著再對常見的「資料集格式」、「標註形式」及「標註工具」逐一說明。
圖/文 歐尼克斯實境互動工作室 許哲豪 2020/9/24
在先前兩篇「如何利用可視化工具揭開神經網路背後的祕密」上篇[1]及下篇[2]中已初步介紹如何將卷積神經網路(Convolutional Neural Network, CNN)推論結果可視化及其基本原理。這一次就來聊聊經過可視化處理產生的顯著圖(Saliency Map)或稱熱力圖(Heat Map)、活化圖(Activation Map)究竟是否為人類真正關心的特徵(Features)，或者說這些計算出來較為顯著（重要）的地方是否可以幫助我們解釋模型究竟學會了什麼？
在卷積神經網路可視化工具中，較常見的方式有基於擾動法(Perturbation-based)、反向傳播法(Propagation-based)及活化映射法(Activation-based)，而其中後兩者最主要皆有用到梯度(Gradient)這項基本概念，即希望找出輸入內容造成輸出變化較大的地方，換句話說就是模型權重值影響最大的地方，也是最重要的或特徵所在的地方。
但不幸地是，目前梯度法仍有許多使用上的限制及不足，而可視化所提取出的顯著圖也能未必能完全代表人類視覺上所期望的特徵，因此接下來就分別從「何謂梯度」、「梯度飽和」、「積分梯度」及「遮罩優化」等四個面向來討論如何改善及使顯著圖和視覺特徵上能更佳接近。
