很榮幸這學期受到開南大學健康產業管理學系范靜媛主任及李盛安老師邀約擔任「智慧健康系列課程」計畫協同主持人，並擔任部份課程講師。本學期（111年度第二學期）協助的課程為「智慧醫療」，此次為第16週，課程內容為「智慧醫療工作坊1」，課程大綱如下：
16.1 創意專題規畫與實踐
16.1.1 創意專題開發
16.1.2 想法評估與定位
16.1.3 可行性分析與比較
16.1.4 想法試做和循環
16.2 應用情境與導入技術
16.2.1 應用情境
16.2.2 導入技術（常見人工智慧技術─自然語言、電腦視覺）
16.2.3 常見分析工具─精實畫布
16.3 分組討論及導引
創意專案參考網站
16.3.1 Intel DevCup 2021
16.3.2 Intel OpenVINO Cases
16.3.3 Hackster.io Projects
16.3.4 Arduino Projects
16.3.5 智慧醫療參考案例
以下就是此次課程簡報，提供大家參考。（點擊圖放大）
作者：Jack OmniXRI, 2023/05/15
2019年6月時Google在電腦視覺頂級研討會CVPR上展示了MediaPipe[1]的預覽版本，提出了可供移動裝置運行手部追蹤、人臉追蹤及物體偵測等功能的輕量模型開源程式。這項工具不僅可在Android, iOS, Web, Windows等平台上運行，亦支援如C++, Python, JavaScript等程式語言開發。由於它非常輕量，所以可輕鬆佈署在像樹莓派、Nvidia Jetson Nano等小型單板微電腦上，非常適合想學習AI應用的新手朋友。
接下來我們就簡單幫大家認識一下MediaPipe及其手部追蹤、手部特徵點提取及手勢辨識的原理，最後再用一個浮空手勢辨識來控制PowerPoint簡報播放的實例讓大家可以感受一下這項方便的工具神奇好用之處。
以往想使用Intel OpenVINO 自家的(Intel's)或公眾(Public)預訓練模型來學習時，雖然在Demos有提供很多C & Python範例，官網文件上也有提供說明，但一大堆參數實在讓人不知從何下手，也沒有給出參數範例，讓人難以實驗。
2021年6月為了教學方便，於是幫學生準備了很多以OpenVINO 2021.3版為主的開源範例，且可以在Google Colab上運行，如下網址。https://github.com/OmniXRI/Colab_DevCloud_OpenVINO_Samples
不久後，OpenVINO 2021.4版就推出Jupyter Notebook形式的開源範例，解決了原先教學上的問題。為了上課方便，也為了讓學生能快速體驗，不用在自己的電腦上安裝OpenVINO，於是將嚐試這些範例直接運行在Google Colab上，但不幸地是，原先自己2021年準備的範例在OpenVINO 2021.4版上並無法順利運行，所以只有再更新範例，以利能在Colab上順利運行。其相關範例如下網址。 https://github.com/OmniXRI/NTUST_EdgeAI_2022/tree/main/Ch7_Implementations
今(2023)年在教學上遇到更大的麻煩，因為OpenVINO 2022.x有了更大幅度的改版，原先的Open Model Zoo, Notebooks都被移出Runtime版本，加上Colab很多Python套件也有升級，導致原先使用的APT安裝方式變成無法使用。於是把腦筋動到Openvino Notebook的範例上期望能順利移植到Colab上運作。
實驗後，發覺OpenVINO Notebooks建議採用安裝python虛擬環境上，但這個方法在Colab上並有很多問題。後來費盡千辛苦找到在Colab上運行虛擬環境及運行Python程式，測試後發現只能支援完整的Pyhon程式（即 *.py），無法單步執行，這對教學並不友善。於是重新實驗直接使用PIP安裝，這樣反而沒有大問題，只有少數用不到的套件包會有衝突，這並不會影響OpenVINO 2022.x版運行，於開始著手移植Notebooks上的範例。
由於Notebooks上的範例用到的模型及資料集都已附在原先Github程式包相對路徑上，使用Git下載到本機端時並不會有問題，但在Colab上運行時就會找不到相關檔案。所以為了讓Colab能順利運行Notebooks上的範例，於是手動改寫範例並開源出來，方便大家使用，初步已改寫的範例包含：
完整範例： https://github.com/OmniXRI/OpenVINO2022_on_Colab_Samples
以上範例皆可直接在Colab上運行，歡迎大家多多利用。
延伸閱讀：
許哲豪，OpenVINO 2022大改版讓Edge AI玩出新花樣
https://omnixri.blogspot.com/2022/08/openvino-2022edge-ai.html
許哲豪，使用PyPi (pip install) 安裝Intel OpenVINO 2022.1填坑心得
https://omnixri.blogspot.com/2022/08/pypi-pip-install-intel-openvino-20221.html
許哲豪，如何在Intel DevCloud中執行OpenVINO Notebooks範例
https://omnixri.blogspot.com/2023/03/intel-devcloudopenvino-notebooks.html
許哲豪，如何在Colab上透過Pypi安裝OpenVINO開發者版本
https://omnixri.blogspot.com/2023/05/colabpypiopenvino.html
很榮幸這學期受到開南大學健康產業管理學系范靜媛主任及李盛安老師邀約擔任「智慧健康系列課程」計畫協同主持人，並擔任部份課程講師。本學期（111年度第二學期）協助的課程為「智慧醫療」，此次為第13週，課程內容為「邊緣智慧應用於智慧醫療」，課程大綱如下：
13.1 智慧醫療邊緣運算架構
13.1.1 人工智慧簡介
13.1.2 雲端與邊緣智慧
13.1.3 智慧醫療系統架構
13.2 穿戴式裝置與智慧物聯網
13.2.1 穿戴式智慧裝置架構
13.2.2 人工智慧開發流程
13.2.3 資料收集與標註
13.3 TinyML 如何應用於智慧醫療
13.3.1 TinyML簡介
13.3.2 健康照護應用
13.3.3 智慧運動應用
13.4 智慧生醫感測進階應用
13.4.1 開發環境與遠端監看
13.4.2 智慧血氧量測實習
（點擊圖片放大）
由於Intel OpenVINO和Google Colab雙雙推進版本，導致OpenVINO很多舊版和最新版提供範例不一定能順利在Google Colab上運行，所以這裡提供一個較簡易的方法重新安裝後就能順利解決，並示範一個影像分類的範示提供大家參考。
Intel OpenVINO在2022.1版後就有重大改革[1]，同時提供了很多 Jupyter Notebooks範例[2][3]，很方便大家進行AI應用測試。 不過這些範例雖然和Google Colab都是 *.ipynb 格式，但因為有很多相對位置參考及套件包版本衝突問題，所以這裡改成下列步驟即可順利執行。
點擊下列網址可直接開啟範例進行測試。
https://colab.research.google.com/github/OmniXRI/OpenVINO2022_Pypi_install_on_Colab/blob/main/Pypi_install_OpenVINO_on_Colab.ipynb
[1] 許哲豪，OpenVINO 2022大改版讓Edge AI玩出新花樣
[2] Github - openvinotoolkit / openvino_notebooks
[3] Intel, Learn OpenVINO -Interactive Tutorials (Python)
很榮幸這學期受到開南大學健康產業管理學系范靜媛主任及李盛安老師邀約擔任「智慧健康系列課程」計畫協同主持人，並擔任部份課程講師。本學期（111年度第二學期）協助的課程為「智慧醫療」，此次為第12週，課程內容為「生醫感測器認識與應用」，課程大綱如下：
12.1 常見生醫感測器
12.1.1 感測器技術簡介
12.1.2 穿戴式感測器
12.1.3 生醫感測器
12.2 智慧生醫感測系統
12.2.1 類比/數位信號互換
12.2.2 傳統物聯網工作流程
12.2.3 智慧物聯網架構
12.3 智慧生醫感測應用
12.3.1 微處理器及開發環境
12.3.2 基礎膚電量測實習
12.3.3 無線介面測謊器實習
以下就是此次課程簡報，提供大家參考。（點擊圖放大）
作者：Jack OmniXRI, 2023/5/3
說到小型電腦主機，大家大概第一個就會想到樹莓派吧？如信用卡般尺寸加上完整的週邊及充足的開源開發資源，讓開發者們愛不釋手。幾年前人工智慧(AI)開始興起時，大家也是馬上拿來應用於小型語音及視覺應用。不過沒多久大家就發現要運行深度學習模型所需的算力遠遠高出樹莓派CPU (Arm Cortex-A53/72 x4 Core@1.2~1.8GHz) 所能提供的。於是又有了像Intel神經計算棒(Neural Compute Stick)這類AI加速計算的外掛裝置出現，但其算力還是只能應付小尺寸（640x480像素以下）影像或要求檢測速度不高（每秒1~3張）的場景。對於實際場域高效電腦視覺應用（如物件偵測、影像分割等），一般就得配置一台大型桌機加上Nvidia GPU顯卡才能達成AI推論需求。好在隨著半導體技術的突飛猛進，兼具高效計算及迷你尺寸的主機已不再是遙不可及。其中Intel和許多廠商合作推出的NUC (Next Unit of Computing) 系列產品[1]從入門款（Celeron N4505 CPU + UHD 16EU GPU）到高階款(Core i7 13Gen CPU + Iris 96EU GPU)一應俱全，讓開發者在性能及價格選用上有了更大的彈性空間。
為了更進一步了解這類迷你主機在AI推論效能的表現，此次選用了東擎(ASRock Industrial) NUC BOX-1260P作為主要實測硬體（以下簡稱測試機），AI推論部份則選用OpenVINO 2022.3版作為基礎工具。而測試項目則使用OpenVINO Notebooks中最新的物件偵測「Convert and Optimize YOLOv8 with OpenVINO」範例作為實測效能的分析。以下就開始展開逐一說明。