很高興此次受到研華科技(Advantech)邀約協助測試最新「AI人臉辨識運算智能系統」，這是一款性價比不錯且高度整合的硬體組合，搭配和人臉辨識大廠訊連科技(CyberLink)共同合作開發的工業APP「FaceView」及Intel VPU加開源AI推論工具包OpenVINO (Open Visual Inferencing and Neural Network Optimization Toolkit)，開機即可使用，不用自己安裝一堆套件及複雜學習便可輕鬆建立VIP及黑名單客戶，在門禁系統、會員管理等應用相當方便。
對於有能力進行程式開發的客戶，亦提供相關的軟體開發套件(SDK)以利更複雜的應用。以下就簡單從「人臉辨識基準」、「系統環境及應用場景」、「操作介面及步驟」、「二次開發環境」、「測試結果」等方面來幫大家介紹一下。
很高興今天(2020/12/18)受台科大人工智慧中心主任花凱龍老師邀約，出席由台科大管理學院、數位轉型暨前瞻科技人才培育中心、智慧化企業發展中心所舉辦的「未來前瞻科技跨界人才沙盒論壇」並擔任「未來數位科技能力培訓工作坊」講師，分享「AI影像實作─人工智能影像分類實作及應用」這個主題。
本次課程內容和前不久到真理大學分享的三小時實作課程（請參考文末連結）很接近，但此次只有70分鐘，所以課程安排上較為緊湊。此次把模型訓練和推論分開介紹，如此更符合一般使用情境，另外加上PyTorch自帶預訓練模型的使用方式介紹，讓此次學員能更容易上手。
本次課程所有範例程式，可至Github直接下載。（以下圖點擊後放大）
https://github.com/OmniXRI/NTUST_Colab_PyTorch_Classification
圖/文 歐尼克斯實境互動工作室 許哲豪 2020/11/26
先前已介紹過多種異常偵測、模型可視化及裂縫檢測技術（參考文末延伸閱讀[A]~[H]），這一次改從另一種角度來介紹異常偵測，「深度度量學習(Deep Metric Learning)」。
在傳統「機器學習(Machine Learning)」領域多半是先透過領域專家以人工方式定義指定數量的特徵，再進行有監督分類或無監督聚類來達成影像辨識或特定目標提取，而最主要區隔資料的依據就是多維資料間的「距離」。雖然此類技術具有較高的可解釋性，但卻難以適用特徵數量較多、資料分佈過於分散或巨大數量的資料集。
近年來流行的「深度學習(Deep Learning)」則採用巨量資料驅動方式，建立出具有高度非線性的分類模型，透過深層的神經網路及巨量的權重值（參數）達成極佳分類效果。但此類作法通常難以理解究竟是用了何種特徵進行分類，僅能藉由可視化工具來幫忙確認主要反應區域。相對於傳統機器學習，在缺乏大量異常樣本的情況下，常難以訓練出穩定可用的模型及參數。
基於上述問題，於是就有結合兩種特性的「深度度量學習(Deep Metric Learning)」誕生了。一般深度學習分類模型，每當新增一類別時，通常需要重新訓練模型產生新的權重（參數），這樣非常耗時且不方便，於是有人就提出直接以模型最後幾層產生的權重值代替傳統手工提取特徵值的作法，計算所有資料分類的距離，如此便能得知新的分類和其它分類的距離關係，進而達分類的目的。為更清楚說明，以下就從「資料距離量測」、「深度度量學習原理」及「異常偵測應用方式」來進一步說明。
很高興昨天(2020/12/8)第二次受真理大學資工系陳炯良老師邀約和同學們分享AI相關技術，這次為「自造應用開發─人工智慧與邊緣運算」，主題為「手把手教你建置自己的智慧影分類系統」。
本次課主要是指導同學如何在Colab上配合PyTorch, Google Drive雲端硬碟等工具實作一個自定義資料集及卷積神經網路(CNN)，最後再說明如何部署到目前較最新的Nvidia Jetson Nano 2GB版本硬體上，完整簡報內容如下所示。相關程式碼請至下列連結下載。
https://github.com/OmniXRI/Colab_PyTorch_Classification
如有任何問題歡迎於下方留言區交流互動。（點擊圖片放大）
註：為方便大家避免打錯字，簡報中很多輸入的指令可參考上述連結中的jetson_nano_2GB_setup.txt
Google Colab提供大家很方便練習OpenCV, Python及各種AI程式，但大家最常遇到的就是無法直接顯示影像(image)及視頻(video)問題，這樣對即時要了解執行狀況的人很不方便。最近剛好找到一些解決方案，整理成幾個範例供大家參考一下。主要內容包括：
1. 將欲存取的檔案自行上傳到雲端硬碟(Google Drive)
2. 掛載自己的Google Drive
3. 選擇習慣之影像顯示方式
方法1.1 透過matplotlib show()顯示
方法1.2 透過IPython.display及PIL顯示
方法1.3 以Colab自帶cv2_imshow()函式顯示
4. 選擇習慣之視頻顯示方式
方法2.1 透過IPython.display HTML()及base64 b64encode()函式庫顯示視頻
方法2.2 利用ffmpeg處理OpenCV VideoWriter()產出視頻播放問題
完整的程式範例可參考本工作室 Github https://github.com/OmniXRI/Colab_OpenCV_Display
