AI物件辨識技術比一比：ViT vs YOLO
ViT（Vision Transformer）與 YOLO（You Only Look Once）都是知名的物件辨識技術，但它們在架構、應用場景和優勢方面有明顯的不同，本文將針對兩大技術來做一個比較。
【 Edge AI專欄】使用Intel OpenVINO搭配YOLOv11輕鬆駕馭姿態偵測
Intel OpenVINO 在開源範例庫 Notebooks 上給出 YOLOv11 物件偵測、姿態估測及影像分割等三個案例。本篇文章，會跟著源碼說明來了解一下如何運行 【姿態估測】 範例「Convert and Optimize YOLOv11 keypoint detection model with OpenVINO™」及動作原理。
OpenVINO 2024.2姿態模型效能評估：以OpenPose、YOLOv8與3D-Pose為例
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。
【Edge AI案例探討】利用AI物件辨識協助生產線瑕疵檢測
當製造業面對缺工狀況，如何善用科技來因應人力缺口？AI技術有機會成為解答，本文將介紹一個運用AI技術開發生產線品管的解決方案。
【使用Colab】將你的資料集訓練成YOLOv5模型
通過這影片的教學，你將學習到如何在Colab上安裝Google Colab，並成功訓練YOLOv5模型。這不僅方便，也為AI開發新手提供了輕鬆入門之道。
.jpg)
.jpg)