很高興今天(2023/1208)受到南開科大USR中心蔡名桂主任邀約，和大學部同學分享一下「微型人工智慧應用與實作（基礎篇）」，由於此次只有三小時，所以有關TinyML進階應用部份就留待下次再上。此 主要內容包括下列項目。
此次主要實驗開發板為Seeed Xiao nRF52840 Sense 加上擴充底板。為方便上課已將重要連結及程式碼都放在下列快速指令區中。
https://hackmd.io/@OmniXRI-Jack/NKUT_Xiao_Basic
以下就是此次的簡報分享。（點擊圖放大）
這裡主要搜集單晶片（MCU）等級的機器學習、人工智慧、深度學習等相關研究及論文。而單板微電腦(SBC)、行動裝置或小型工業電腦等級之相關研究及論文請參考另一篇「Edge AI相關學術論文」。
註：相關論文連結不一定有提供PDF可供下載，或者必須有學術網路帳號才能下載，請自行點擊查閱。以下論文清單依發表時間(相同月份）由新到舊月份排序。目前小計496篇。
最後更新日期 : 2023/11/29
上一次更新日期 : 2022/10/20
作者：Jack OmniXRI, 2023/11/13
近年來世界氣候異常，主要受人類大量排放溫室氣體造成。在滿足人類舒適、便捷生活前題下，要如何更加愛護環境、減少二氧化碳及溫室氣體排放（以下簡稱碳排）就變成刻不容緩的議題。
減少碳排就像減肥一樣，首先要進行碳足跡盤查，了解生產（直接）、外購（間接）及差旅運輸（其它間接）造成的碳足跡。接下來才能擬定碳減量計畫，考慮如何減少用電、增加能源使用效率。當執行一段時間後，再檢討是否達標，若否則修正計畫或加大減量力道。當然推動過程就像減肥時不可能不進食，只需讓消耗的卡路里大於吃入的就能持續減重。相同地當引進負碳排技術，讓生產和減少的碳排量達成零增加（碳中和），就能達到淨零碳排的目標。[1]
為了讓大家更了解追求淨零碳排發展歷史及如何利用邊緣智慧(Edge AI)及微型機器學習(TinyML)技術來改善生活中能源的不當浪費，本文簡單介紹了五個案例，希望能激起大家更多的創意發想，並實際動手作，讓我們的生活環境能更加美好。
很高興今天（2023/11/17）受慈濟大學醫學資訊學系李盛安老師邀約，來擔任「智慧醫療工作坊」講師，此次課程為「利用邊緣運算工具OpenVINO快速搭建智慧醫療應用」，共六個小時。主要內容如下所示。由於此次課程講義過長，所以將其分成上、中、下三個部份，想完整學習的朋友可自行切換。本次內容以 Intel OpenVINO 2023.1版搭配Notebooks進行教學，由於和2022版有很多差異，所以閱讀時請注意，以免不同版本有些許不相容。
為方便操作課程內容範例，這裡預先建立網頁版快速指令表，方便大家複製貼上，不易打錯字。
https://hackmd.io/@OmniXRI-Jack/tcu_workshop_openvino
簡報大綱：【第一、二章節】、【第三、四章節】、【第五、六章節】（點擊可切換）
1. 常見智慧醫療應用簡介
1.1 人工智慧發展歷程
1.2 智慧醫療與照護
1.3 智慧醫療案例分享
2. 邊緣智慧架構及常見系統簡介
2.1 常見人工智慧系統架構
2.2 人工智慧專案開發流程
2.3 資料收集與標註
2.4 常見模型結構
2.4 模型優化工具
3. OpenVINO及Notebooks簡介與安裝
3.1 OpenVINO簡介
3.2 OpenVINO工作流程
3.3 Notebooks簡介
4. 影像分類範例說明與操作
4.1 影像標註工具介紹
4.2 常見影像分類模型
4.3 影像分類實作
5. 物件偵測範例說明與操作
5.1 物件偵測簡介
5.2 常見物件偵測模型
5.3 物件偵測實作
6. 影像分割範例說明與操作
6.1 影像分割簡介
6.2 常見影像分割模型
6.3 影像分割實作
學習資源
（點擊圖片放大）
很高興今天（2023/11/17）受慈濟大學醫學資訊學系李盛安老師邀約，來擔任「智慧醫療工作坊」講師，此次課程為「利用邊緣運算工具OpenVINO快速搭建智慧醫療應用」，共六個小時。主要內容如下所示。由於此次課程講義過長，所以將其分成上、中、下三個部份，想完整學習的朋友可自行切換。本次內容以 Intel OpenVINO 2023.1版搭配Notebooks進行教學，由於和2022版有很多差異，所以閱讀時請注意，以免不同版本有些許不相容。
為方便操作課程內容範例，這裡預先建立網頁版快速指令表，方便大家複製貼上，不易打錯字。
https://hackmd.io/@OmniXRI-Jack/tcu_workshop_openvino
簡報大綱：【第一、二章節】、【第三、四章節】、【第五、六章節】（點擊可切換）
1. 常見智慧醫療應用簡介
1.1 人工智慧發展歷程
1.2 智慧醫療與照護
1.3 智慧醫療案例分享
2. 邊緣智慧架構及常見系統簡介
2.1 常見人工智慧系統架構
2.2 人工智慧專案開發流程
2.3 資料收集與標註
2.4 常見模型結構
2.4 模型優化工具
3. OpenVINO及Notebooks簡介與安裝
3.1 OpenVINO簡介
3.2 OpenVINO工作流程
3.3 Notebooks簡介
4. 影像分類範例說明與操作
4.1 影像標註工具介紹
4.2 常見影像分類模型
4.3 影像分類實作
5. 物件偵測範例說明與操作
5.1 物件偵測簡介
5.2 常見物件偵測模型
5.3 物件偵測實作
6. 影像分割範例說明與操作
6.1 影像分割簡介
6.2 常見影像分割模型
6.3 影像分割實作
學習資源
（點擊圖片放大）
很高興今天（2023/11/17）受慈濟大學醫學資訊學系李盛安老師邀約，來擔任「智慧醫療工作坊」講師，此次課程為「利用邊緣運算工具OpenVINO快速搭建智慧醫療應用」，共六個小時。主要內容如下所示。由於此次課程講義過長，所以將其分成上、中、下三個部份，想完整學習的朋友可自行切換。本次內容以 Intel OpenVINO 2023.1版搭配Notebooks進行教學，由於和2022版有很多差異，所以閱讀時請注意，以免不同版本有些許不相容。
為方便操作課程內容範例，這裡預先建立網頁版快速指令表，方便大家複製貼上，不易打錯字。
https://hackmd.io/@OmniXRI-Jack/tcu_workshop_openvino
簡報大綱：【第一、二章節】、【第三、四章節】、【第五、六章節】（點擊可切換）
1. 常見智慧醫療應用簡介
1.1 人工智慧發展歷程
1.2 智慧醫療與照護
1.3 智慧醫療案例分享
2. 邊緣智慧架構及常見系統簡介
2.1 常見人工智慧系統架構
2.2 人工智慧專案開發流程
2.3 資料收集與標註
2.4 常見模型結構
2.4 模型優化工具
3. OpenVINO及Notebooks簡介與安裝
3.1 OpenVINO簡介
3.2 OpenVINO工作流程
3.3 Notebooks簡介
4. 影像分類範例說明與操作
4.1 影像標註工具介紹
4.2 常見影像分類模型
4.3 影像分類實作
5. 物件偵測範例說明與操作
5.1 物件偵測簡介
5.2 常見物件偵測模型
5.3 物件偵測實作
6. 影像分割範例說明與操作
6.1 影像分割簡介
6.2 常見影像分割模型
6.3 影像分割實作
學習資源
（點擊圖片放大）
很高興今天(2023/11/11)再次受到中央大學土木工程系林子軒老師邀約，在【校園節能議題探索與物聯網解方X設計思考】這門課程和同學們分享「AI在淨零碳排與節能上之應用」。此次課程主要分為三部份，包括
如有任何問題歡迎於下方留言區交流互動。（點擊圖片放大）
從2017/11/8創建這個部落格至今已滿六年了，又是到了自我檢視的時候了。感謝過去一年間大家的支持，點閱次數已累積422,612次，較去年新增39,954次，新增貼文38篇。相較去年貼文數沒有太多增加，今年因為處理專案開發，沒有太多時間寫長文，大多都是到學校單位的講義分享及vMaker Edge AI 專欄，所以點閱數較去年5萬4千多次明顯又下降了1萬4千多次，看來沒有認真寫作分享就沒有點閱率，總之自己要多多創作才是。
今年花在經營Facebook社團「Edge AI Taiwan邊緣智能交流區」(2020/5/2成立)的時間依舊很多，每天都要安排一些最新資訊及相關專題製作分享，雖然得到的回應（按讚及留言）不算太熱烈，但是日活量（潛水）也都還保持在1000~2000人，所以也不完全算是我每天對著空氣在講話😅。隨著手邊工作量日益增加，不知這樣耗時且無私付出的工作還能撐多久，就只能隨緣了。
以下就是過去一年的成果，感謝大家的點閱、按讚，讓我有繼續寫下去的動力，如果覺得部落格或FB社團中的內容還用得上，歡迎多多分享給需要的人，謝謝！
 |
| 至2023/11/8 部落格累積點擊數量422,612次 |
 |
| 2022/11/8-2023/11/8 部落格瀏覽數量統計 |
 |
| 2022/11/8-2023/11/8 Top 1 ~ Top 5文章及點擊數 |
 |
| 2022/11/8-2023/11/8 Top 6 ~ Top 10文章及點擊數 |
很高興今天(2023/11/08)受到南開科大USR中心蔡名桂主任和車輛工程系黃德劭老師邀約，和大學部同學分享一下「智慧農業與自走車技術」。主要內容包括下列項目。
以下就是此次的簡報分享。（點擊圖放大）
作者：Jack OmniXRI, 2023/10/16
相信有開發過邊緣智慧應用的朋友，一定都會經歷資料收集標註、模型選用訓練調參及部署推論檢驗的步驟。當模型訓練完成後，在測試集表現還不錯，但到了真實場景卻一塌糊塗，推論準確度急速下降。此時就要重新檢視資料集各分類是否有足夠數量的樣本及多樣性，即可以包含更大範圍的應用場景內容。
為解決這項問題，通常可以重新取樣、增加樣本數量和多樣性來解決，但不幸地是有時無法重新取樣，或部份分類的樣本不易取得。此時就要靠資料擴增(Data Augmentation)手法來協助擴展資料集的數量和多樣性，以利模型在訓練時能學習到對應的特徵，確保訓練結果在部署後也能保持一定的推論精度。
以下就簡單盤點一些常見的資料擴增手法，包含影像類（二維資料）及時序類（一維資料，如聲音、溫度、振動等各式感測器產生的連續信號），希望能帶給大家一些幫助。
作者：Jack OmniXRI, 2023/09/11
今（2023）年算是AI大爆發的一年，從大型語言模型(Large Language Model，LLM)到人工智慧生成內容(Artificial Intelligence Generated Content, AIGC)，每天都有新的驚喜出現，讓人對AI應用在日常生活中有更多的想像空間，就像十多年前的人工智慧物聯網（Artificial Intelligence + Internet of Things , AI + IoT, AIoT）開始改變人們的生活一般。
早期的AIoT主要應用在萬物聯網及遙控，讓我們可以輕易地透過如溫濕度、聲音、重量、風速、照度、電壓、電流、空氣品質、酸鹹度等各種感測器了解遠端的狀態，並可使用像手機、平板等移動聯網裝置遠端改變如開關、馬達、燈光等致動器的動作。當系統定時且長時間記錄後，就能配合一些AI算法來進行時序變化狀態分類、預測，如運動健身、天氣預測、馬達故障預測等。不過早期晶片的儲存、計算能力有限，所以大部份的資料和AI推論功能都是放在雲端，直到近年來半導體及軟韌體技術的突飛猛進，將AI部署在邊緣裝置端才變得可能。
前不久(2023/8/31-9/2)剛落幕的臺灣智慧農業週及臺灣國際海洋暨漁業產業展[1]中有相當多廠商秀出AIoT應用，主要分為傳統的智慧監控、遙控、管理及新一代具有影像、聲音分析能力的邊緣智慧應用，前者已相當普及，以下就針對後者幫大家簡單介紹幾項最新邊緣智慧的應用。
