如今，計算機視覺(CV)技術正處于拐點，主要趨勢正在融合，使云技術在針對特定用途，進行優化的微型邊緣人工智能設備中無處不在，并且通常是電池供電的。

技術進步解決了特定的挑戰，使這些設備能夠在受限制的環境中本地執行復雜的功能——即尺寸、功率和內存——使這種以云為中心的人工智能技術能夠擴展到邊緣，新的發展將使邊緣的人工智能視覺無處不在。

了解技術

CV技術確實處于前沿，并且正在實現更高水平的人機界面(HMI)。

情境感知設備不僅能感知用戶，還能感知他們操作的環境，所有這些都是為了做出更好的決策，實現更有用的自動化交互。

例如，筆記本電腦可以通過視覺感知用戶何時集中注意力，并可以相應地調整其行為和電源策略。這對于省電(未檢測到用戶時關閉設備)和安全(檢測未經授權的用戶或不需要的“潛伏者”)非常有用，并提供更順暢的用戶體驗。事實上，通過跟蹤旁觀者的眼球(旁觀者檢測)，該技術可以進一步提醒用戶并隱藏屏幕內容，直到安全為止。

另一個例子是：智能電視機可以感知到是否有人在觀看，然后它會相應地調整圖像質量和聲音。它可以在無人時自動關閉以節省電力。空調系統根據房間占用情況優化功率和氣流，以節省能源成本。

通過家庭辦公混合工作模式，建筑物中智能能源利用的這些例子和其他例子在財務上變得更加重要。

該技術不僅限于電視和個人電腦，在制造業和其他工業用途中也發揮著至關重要的作用，例如用于安全監管(即禁區、安全通道、防護裝備執行)的對象檢測、預測性維護和制造過程控制。農業是另一個將從基于視覺的情境感知技術中受益匪淺的部門：例如農作物檢驗和質量監控。

計算機視覺的應用

深度學習的進步使計算機視覺領域的許多令人驚奇的事情成為可能。許多人甚至不知道他們如何在日常生活中使用計算機視覺技術。例如：

圖像分類和對象檢測：對象檢測結合了分類和定位來確定圖像或視頻中的對象，并指定它們在圖像中的位置。它將分類應用于不同的對象并使用邊界框。CV通過手機工作，可用于識別圖像或視頻中的對象。

銀行業：CV用于欺詐控制、身份驗證、數據提取等領域，以增強客戶體驗、提高安全性并提高運營效率。

零售：用于處理這些數據的計算機視覺系統的發展，使得現實行業的數字化轉型變得更加容易實現，例如自助結賬。

自動駕駛汽車：計算機視覺用于檢測和分類物體(例如路標或交通燈)、創建3D地圖或運動估計，并在使自動駕駛汽車成為現實方面發揮關鍵作用。

邊緣簡歷

基于機器學習的邊緣視覺處理無處不在的趨勢是顯而易見的。硬件成本正在下降，計算能力正在顯著提高，新的方法使訓練和部署需要更少功率和內存的小規模模型變得更容易。所有這些都減少了采用的障礙，并增加了邊緣CV技術AI的使用。

但即使我們看到微邊緣人工智能越來越普遍，仍然有工作要做。為了使環境計算成為現實，我們需要為許多細分市場的長尾用例提供服務，這可能會帶來可擴展性挑戰。

在消費品、工廠、農業、零售和其他領域，每項新任務都需要不同的算法和獨特的數據集進行訓練。解決方案提供商提供更多開發工具和資源，來創建滿足特定用例要求的優化的支持機器學習的系統。

TinyML

TinyML是在邊緣實現所有類型AI的關鍵推動者。這是一種利用緊湊的模型架構和優化算法，直接在邊緣設備上開發輕量級且節能的機器學習模型的方法。

TinyML使AI處理能夠在設備本地進行，從而減少對持續云連接的需求。除了消耗更少的電量之外，TinyML實施還可以減少延遲、增強隱私和安全性以及降低帶寬要求。

此外，它使邊緣設備能夠在不嚴重依賴云基礎設施的情況下做出實時決策，使人工智能在智能設備、可穿戴設備和工業自動化等各種應用中更易于訪問和實用。這有助于解決功能差距，并使人工智能企業能夠通過開發豐富的模型示例(“模型動物園”)和應用程序參考代碼來圍繞其NPU產品升級軟件。

通過這樣做，他們可以為長尾提供更廣泛的應用，同時通過在定義的成本、尺寸和功率限制下針對目標硬件優化正確的算法來確保設計成功，以解決特定的業務需求。