如何將 AI 模型佈署到終端裝置上並發揮最大效能，相信是很多人想搞定的事情。近來小型單板電腦（SBC）也開始支援神經網路框架，要將常見的分類模型、物件偵測模型、語意分割模型……等放到SBC中已非空話。

然而，真正要移植佈署時卻有不少挑戰，不同的核心、不一樣的框架、甚至是系統不同與版本差異，都可能讓你在環境建置時就卡住，惡夢連連。本課程即為解決你的痛點而開，講師洪銘恩實測選定Jetson Nano 4GB為佈置目標環境，並選用成熟度最高、使用起來最無痛的YOLOv5模型來進行客製化訓練，最終運用TensorRT來加速推論。

本課程分成四個單元，首先將介紹如何在Jetson Nano上安裝 YOLOv5 運行的環境；第二及第三單位是學習蒐集及標記資料；第四單元則是教你如何訓練及驗證模型，請參考下圖：

【課程單元】

單元一 系統安裝與環境設定

系統安裝方式有三種：使用SD Card Image、使用SDK Manager及使用SDK Manager，下圖為使用SDK Manager的畫面。

系統安裝好後需設置Swap空間，安裝pip、YOLOv5、Pytorch、Torchvision等，講師將介紹這篇推薦文中的重點：reComputer Jetson 運行 YOLOv5 教學全攻略 1 – 安裝與測試

環境設置好的驗證情形如下圖：

單元二  拍攝照片與蒐集資料

本單元教你如何透過OpenCV擷取Webcam影像，執行過程如下：

單元三  標記資料，用於訓練

接著安裝roboflow來進行資料標記。

單元四  訓練模型與驗證模型

本單元教你如何設定模型的參數，例如要訓練的模型名稱、訓練次數或輸入圖片大小。

以及教你如何查看訓練完成結果、儲存模型及驗證模型，最後再運用TensorRT來進行加速。

講師介紹

洪銘恩任職淩耀電子專案工程師，擅長專案評估與開發，小至教學套件，大至AI、ROS機器人。偏好像機器人或自駕車這樣會動的東西，喜歡將自己覺得有趣的技術用在不同的地方，東拼西湊出全新的玩具。