Intel在OpenVINO Notebooks中提供了許多可以運行的Jupyter notebooks，這些notebooks的目的是為開發者提供OpenVINO的基礎知識介紹，並教會大家如何利用Intel的API來最佳化深度學習推理。

它提供豐富的教學內容，在GitHub還有超過47種範例可參考，包含以下類別：

1.OpenVINO 基礎介紹

2.OpenVINO模型最佳化實作

3.各種模型 / 應用場景的推論實作

4.OpenVINO量化及訓練

5.網路攝影機Live Demo

本課程中將教大家OpenVINO Notebooks的安裝與分類，以影像儀表讀取及實作Yolo_v7物件偵測模型推論為例來做說明，並深入解析main.py程式碼，最後還會跟大家做個總結。課程重點如下：

單元一  OpenVINO Notebooks的安裝與分類

本單元將介紹如何快速安裝OpenVINO Notebooks及執行 Jupyter lab，以及它的操作介面和5種分類。

OpenVINO Notebooks操作介面

OpenVINO Notebooks的5種分類

單元二  從 OpenVINO™ Notebooks 上學習：以影像儀表讀取為例

本單元中將以「203-meter-reader」這個範例來說明如何運用OpenVINO™ Notebooks來學習OpenVINO這個工具。在這個例子中，會先運用物件偵測技術來辨識出影像中的兩個儀表，再用影像切割技術把儀表上的指針給截取出來，接著把環型儀表拉成一條線，再載入指針的位置並讀出儀表的數據。

用AI技術讀取儀表數據的流程

講師將一步步帶你用操作Notebooks來完成這個範例。

透過Notebooks學習執行儀表數據讀取的範例

單元三  從 OpenVINO™ Notebooks 上修改測試及執行：以實作Yolo_v7物件偵測模型推論為例

本單元將以實作Yolo_v7物件偵測模型推論為例，帶領你從 OpenVINO™ Notebooks 上修改測試及執行模型推論。同時也會說明：
1.如何將Pytorch模型轉換成ONNX
2.用 OpenVINO Benchmark_app 在CPU及iGPU上面測試Yolo_v7   ONNX模型效能
3.用 OpenVINO Model Optimizer 將ONNX模型轉換並量化成 FP16 IR格式檔案
4.如何取得預訓練模型的資訊?
5.用 OpenVINO Benchmark_app 在CPU及iGPU上面測試Yolo_v7   FP16 IR 模型效能
6.下載利用OpenVINO Runtime 開發的 Yolo_v7 物件偵測程式碼，並執行

單元四  深入解析main.py程式碼

本單元將帶大家了解main.py程式碼運作流程的重點，首先會介紹深度學習模型/輸入圖片路徑上的設定，以及-h、-i、-m等參數的使用；把模型給載入進來後，針對指定的硬體，如CPU或GPU去做編譯（compile）。

接著導入圖片開始進行推論，這部分會說明預處理(Preprocess)中的letterbox技術；在讀取到推論結果後，會再進行資料的後處理，最後將推論結果繪製到原始圖片上。

單元五  總結

講師最後將跟大家總結一下使用OpenVINO Notebooks的特色與優勢。