在機器人技術的發展長河中，有些時刻象徵著技術能力的本質躍升：從2D視覺到深度學習、從手工特徵到端對端模型、從依賴雲端到邊緣運算。而如今，我們正站在另一個重大轉折點的前端——3D 空間感知與即時推論的全面融合

本文主要於ASRock NUC BOX-155H平台進行，使用Intel Core Ultra運作的NUC (下一代計算單元)。我們將姿態辨識模型OpenPose、3D Pose、MoveNet 與 YOLOv8 模型轉換為OpenVINO IR模型格式，分別在CPU、iGPU及NPU上進行部署。觀察這些模型在CPU、iGPU及NPU的硬體效能差異，透過實際執行影片推論的過程，觀察NPU的性能表現。

本文透過object_detecion_demo運作觀察，參數設定過程如何影響模型在同一台機器上推論效率的變化，接下來的內容為觀察到的現象，可以作為日後模型推論在配置時參數設定的一些參考。

即時掌握學生的學習狀態，對教師維繫教學品質來說非常重要。本文將探討能否透過人工智慧與資訊技術的結合，進一步瞭解學生學習過程中的學習狀況與學習態度的資訊，解決學生人數較多時難以由教師親自察看的處境。