支援Intel十一代Tiger Lake UP3工業電腦參考名單

 

圖片來源

未來Intel十一代CPU（Tiger Lake UP3)將整合自家GPU Xe，未來在AI領域的模型練訓上效能將大幅提升，若再配合OpenVINO使用，會比單用CPU（AVX指令集、MKL加速函式庫）或VPU（神經運算棒NCS）進行AI推論的速度高出許多。目前OpenVINO 2021.1版已可支援Tiger Lake。

十一代Tiger Lake主要有下面幾款 [wiki] [Intel]

• Intel® Core™ i7-1185G7E
• Intel® Core™ i7-1165G7E
  
• Intel® Core™ i5-1145G7E
• Intel® Core™ i5-1135G7E
• Intel® Core™ i3-1125G4E
  
• Intel® Core™ i3-1115G4E
• Intel® Pentium Gold® 7505
  
• Intel® Celeron® 6305E

其中Tiger Lake UP3 i7 / i5 自帶GPU為Iris Xe，分別有96 / 80個執行單元(EUs)，而其它自帶的GPU為UHD Graphics，有48個執行單元。

接下來整理了已上市（或快上市）嵌入式機種（不含筆電類型）或模組板，共有8家公司（研華、研揚、凌華、新漢、威強電、安富利、瑞傳、超微），14款產品，如有疏漏煩請於留言區交流補充，謝謝！

(點擊型號文字可連結至各產品官網介紹）

從CES 2021看實境互動技術未來發展

 

一年一度的消費性電子展（CES 2021）最近（2021/1/11-14）剛結束，今年在Covid-19疫情攪局下全部都改為線上展出，雖然各大廠有推出許多精采的產品介紹影片，但總覺得少了一點味道。台灣方面在科技部領軍下，集結了31個單位100個新創公司共同參與，並在「台灣科技新創基地(TTA)」的協助下打造了一個VR線上展覽館。

不過對於想在PC上使用一般網頁瀏覽器來體驗TTA這個VR線上展覽館的朋友要有點心理準備，因為這個介面是極度不友善的，體驗感受極差，想仔細看一下廠商提供的資料，不論是影片或靜態資料都會一直不斷的被移動（場景水平旋轉），且無法將想看的資料放大到全螢幕，根本很難閱讀。另外當畫面移到某個正在播放影片時，卻沒有將沒出現在畫面正中央的但還在播放的影片聲音靜音，導致有多組聲音一起在播放，實在難以聽清楚在介紹的內容。或許下次應該考慮同步多提供一般2D網頁式操作介面，再由使用者自行選擇是使用VR設備或普通電腦操作會更理想些。

整體看下來，本次CES可能是去年受疫情影響，各廠家研發進度感覺上有點落後，因此亮點並不多。為方便大家理解此次展會在「實境互動(Reality Interaction」領域中有何值得關注的產品。

一般來說實境互動包含取得真實世界資訊（如3D掃描、建模等）、顯示（疊合）虛擬世界物件到真實世界（如VR, AR, MR, XR顯示眼鏡或裸視3D顯示器等）、人機互動（如手勢、頭部姿態、眼睛注視、運動感測器、力回饋設備等）等技術整合而得。接下來就針對這三大領域的新品幫大家作一些簡單盤點，如有遺漏的地方再煩請多多在留言區交流並提供相關資訊。（註：產品排列順序不代表任何意義）

【Intel OpenVINO™教學】如何利用Docker快速建置OpenVINO開發環境

 

2012年Alex Krizhevsky利用卷積神經網路(Convolutional Neural Network, CNN) AlexNet以15.3% Top5錯誤率遠甩第二名好幾條街(26.1%)，贏得ImageNet大規模視覺辨識挑戰賽(ILSVRC)首獎，從此開啟人工智慧、神經網路、深度學習的新世代。自此各個廠商也紛紛推出自家的開發工具，搶食人工智慧這塊大餅。

2018年5月INTEL有鑑於邊緣智能(Edge AI)設備的硬體效能遠低於雲端機房，且不同硬體、開發工具間存在嚴重差異，造成工程師學習上極大的困擾，因此推出開放（免費）電腦視覺推論及神經網路（深度學習）優化工具包「OpenVINO」(Open Visual Inference & Neural Network Optimization Toolkit)」[1][2]。

OpenVINO整合了OpenCV, OpenCL等開源電腦視覺及加速運算函式庫，並可運行在多種作業系統(Windows, Linux)，輕鬆搭配自家各種不同硬體加速運算平台(Inetl CPU, GPU, FPGA, VPU, GNA)，且支援各種常見AI開發框架(TensorFlow, Caffe, MXNet, ONNX, KALDI)訓練出的模型及參數，更有提供模型的優化工具使運算效能及模型大小得到更佳的輸出，最重要的是工程師只需寫一次程式就能在不同平台上執行，大大降低學習及佈署的負擔。

早先OpenVINO的版本彈性雖然較大，但安裝程序冗長，一不小心容易造成步驟缺失導致系統無法正確運行。為解決這項問題，OpenVINO也有推出Docker安裝方式，輕鬆搞定安裝及執行問題，且可有效隔離不同版本及其它開發環境。接著就簡單說明「什麼是Docker？和虛擬機VM有何不同？」、「如何安裝Docker工作環境」及「如何使用Docker安裝OpenVINO」，最後再以一個範例來說明「如何利用公開模型mobilenet執行影像分類」。

Github上OpenVINO最受歡迎的前20名開源項目

 

最近剛好盤點了一下Github上關於OpenVINO最受歡迎項目，截至2021/1/19止，在Github上使用"OpenVINO"關鍵字進行檢索，共有1,154項，以下就依獲得星星(star)數量簡單列出前20名。

這20名中其中，Intel官方（包括openvinotoolkit, NervanaSystems, movidius）就佔了7項，而Daniil-Osokin貢獻了3項（第7,14,19名），PINTO0309（第9,10,13名）。而就非官方貢獻者，台灣灼灼科技（DT42）第4名則是排在最前面。

另外個人雖然也有貢獻了幾個OpenVINO的開源項目，但目前還排在非常後面，最好的一項也才27顆星，希望未來能有機會再創作幾個有趣的專案分享給大家，這次就先排在第21項，當作是對自己的期許吧！

2020_AI_HUB專欄合集

【AI HUB專欄01】新冠肺炎升溫如何應用人工智慧技術超前部署
【AI HUB專欄02】如何應用人工智慧技術精準預測疫情發展
【AI HUB專欄03】後疫情時代人工智慧如何助攻疫情控制
【AI HUB專欄04】導入AI異常偵測技術讓傳產也能邁向智慧製造
【AI HUB專欄05】如何利用時序型資料異常偵測提昇智慧製造成效
【AI HUB專欄06】導入AI表面瑕疵異常偵測提升智慧製造品質
【AI HUB專欄07】生成對抗網路不只能變臉也能成為異常偵測好幫手
【AI HUB專欄08】人工智慧下一個兵家必爭之地【AI市集】
【AI HUB專欄09】如何應用高維資料可視化一眼看穿你的資料集
【AI HUB專欄10】如何利用可視化工具揭開神經網路背後的祕密(上)
【AI HUB專欄11】如何利用可視化工具揭開神經網路背後的祕密(下)
【AI HUB專欄12】誰說鼻子長的就是大象？從類別活化映射與積分梯度來看特徵提取與顯著性差異
【AI HUB專欄13】如何建立精準標註的電腦視覺資料集
【AI HUB專欄14】看電腦視覺如何助力智能裂縫偵測技術發展
【AI HUB專欄15】利用深度學習技術讓裂縫無所遁形
【AI HUB專欄16】介於有和沒有之間的深度度量學習應用於異常偵測