人工智能試驗箱，算力集群試驗箱
2024-12-11 08:54
DB-SD23 AI人工智能實驗箱
AI人工智能實驗箱：開啟您的AI學習之旅！
2017年，Transformer出現(xiàn)在一篇論文《 Attention Is All You Need》中被引入，并在自然語言處理中得到廣泛應用。
2022年：ChatGPT的橫空出世
2022年11月，OpenAI發(fā)布了基于Transformer模型的大型語言模型ChatGPT，引發(fā)了全世界的AI浪潮，被《大西洋》雜志評為“年度突破”，并稱其“可能會改變我們對工作方式、思考方式以及人類創(chuàng)造力的真正含義的想法”。
2023年：AI元年，全球競速，勢不可擋！
中國：國務院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，將人工智能列為國家戰(zhàn)略，目標到2030年成為世界領先者。
美國：發(fā)布《人工智能國家戰(zhàn)略》，持續(xù)加大投入，保持領先優(yōu)勢。
歐盟：發(fā)布《人工智能白皮書》，將人工智能視為歐洲未來經(jīng)濟增長引擎。
全球：人工智能在醫(yī)療、技術、教育、交通、金融、娛樂等領域廣泛應用，帶來前所未有的變革。
AI 的新時代已經(jīng)降臨，而你，準備好了嗎？
AI人工智能實驗箱專為高校人工智能教學打造的全功能平臺，讓您輕松掌握AI技術，開啟智能時代的大門！
三大核心優(yōu)勢，助您一路領先：
1. 由淺入深，循序漸進
從基礎的GPIO擴展到深度學習的AI視覺、AI聽覺，上海頂邦AI平臺提供完整的學習路徑，讓您一步步掌握AI知識體系，輕松應對各種挑戰(zhàn)。
2. 軟硬結合，實踐為王
AI人工智能實驗箱將理論與實踐完美結合，豐富的實驗項目讓您在實踐中學習，在應用中鞏固，真正將AI知識融會貫通。
3. 開放靈活，激發(fā)創(chuàng)新
開放的GPIO接口和模塊化設計，支持個性化功能開發(fā)，讓您將創(chuàng)意變?yōu)楝F(xiàn)實，打造屬于自己的AI項目。
用戶的評價：
1. 來自高校教師的評價：
“課程內(nèi)容豐富，教學效果杠杠的，學生們都搶著學AI！”
“以前教AI，我頭都大了，各種理論知識，學生們聽得云里霧里�，F(xiàn)在有了上海頂邦AI實驗箱，我輕松多了，直接讓學生做實驗，學得賊快！”
2. 來自學生的評價：
“以前我對AI一點都不懂，現(xiàn)在我都能開發(fā)自己的AI項目了！”
“課程由淺入深，循序漸進，小白也能輕松上手。老師講得也好，我聽得懂，學得會！”
3. 來自校領導的評價
“AI人工智能實驗箱能夠幫助學生快速掌握AI知識和技能。平臺提供的實驗項目也非常實用，能夠幫助學生將理論知識應用到實踐中。”
“我們相信，借助上海頂邦人工智能實驗箱，我們學校的AI教學水平將不斷提升，學生們也將能夠在未來的AI時代取得更大的成就。”
AI人工智能實驗箱不僅是學習AI的最佳工具，更是您通往AI未來的橋梁！
一、AI核心
GPU ：128核 NVIDIA Maxwell GPU
CPU ：4核cortex-A57處理器
內(nèi)存：4 GB LPDDR 25.6 GB/s
算力：472 GFLOP
基于NVIDIA強大的Al計算能力，系統(tǒng)內(nèi)核是一個小巧卻功能強大的計算機，它可以讓你并行運行多個神經(jīng)網(wǎng)絡、對象檢測、分割和語音處理等應用程序， 系統(tǒng)搭載四核cortex- A57處理器，128核Maxwell GPU及 4GB LPDDR內(nèi)存，帶來足夠的Al計算能力，提供472GFLOP算力，并支持一系列流行的Al框架和算法，比如TensorFlow、Pytorch、 caffe/caffe2、Keras、MXNET等。
二、系統(tǒng)框架與AI框架
1. 系統(tǒng)預裝ubuntu18.04操作系統(tǒng)，所有環(huán)境代碼庫文件均已安裝，開機即用。
Ubuntu 18.04 LTS在云計算領域效率極高，特別適用于機器學習這樣的存儲密集型和計算密集型任務。Ubuntun 長期支持版本可以獲得 Canonical 官方長達五年的技術支持。Ubuntu 18.04 LTS 還將附帶了 Linux Kernel 4.15，其中包含針對 Spectre 和 Meltdown 錯誤的修復程序。
2. 提供詳細的python開源范例程序
根據(jù)TIOBE最新排名 ，Python已超越C#，與Java,C,C++一起成為全球前4大最流行語言。國內(nèi)目前百度指數(shù)搜索量已經(jīng)超越Java，與C++，即將成為國內(nèi)最受歡迎的開發(fā)語言。
Python被廣泛應用于后端開發(fā)、游戲開發(fā)、網(wǎng)站開發(fā)、科學運算、大數(shù)據(jù)分析、云計算，圖形開發(fā)等領域；Python在軟件質量控制、提升開發(fā)效率、可移植性、組件集成、豐富庫支持等各個方面均處于先進地位。python具有 簡單、易學、免費、開源、可移植、可擴展、可嵌入、面向對象等優(yōu)點，它的面向對象甚至比java和C#.net更徹底；
3. JupyterLab編程
JupyterLab是一個基于Web的交互式開發(fā)環(huán)境，用于Jupyter筆記本、代碼和筆記本、代碼和數(shù)據(jù).JupyterLab非常靈活配置和排列用戶界面，以支持數(shù)據(jù)科學、科學計算和機器學習中廣泛的工作流.JupyterLab是可擴展的和模塊化的編寫插件，添加新組件并與現(xiàn)有組件集成
4. 多種AI框架
OpenCV計算機視覺庫，TensorFlow AI框架，Pytorch AI框架等
三、AI人工智能實驗箱特點
支持多模態(tài)輸入，跨語言編程，優(yōu)化深度學習模型
人體姿態(tài)估計，應用于實際場景
實時背景移除，基于深度學習，高效實時移除背景
目標檢測，多目標檢測能力強
語義分割，像素級別的詳細分類，適用于環(huán)境感知
單目深度，無需特殊相機，利用全卷積網(wǎng)絡，可從單個圖像推斷相對深度，應用廣泛。
語音情感識別，采用Mobilenet_v2模型處理語音情感，輕量化、高效
六自由度機械臂，智能舵機，ROS控制，適用于AI視覺顏色分揀實驗
車牌識別，使用Teseract-OCR 引擎，識別準確率高，使用場景廣泛。
ROS機器人系統(tǒng)，跨平臺兼容，代碼開源，模塊化設計，通用性強靈活性高。
AI聽覺主板，具備高質量音頻處理和語音服務，搭載Snowboy喚醒詞檢測引擎，可以完成語音情感識別、圖靈機器人、語音對話等實驗。
在人工智能遍地開花的今天，人工智能在 各個領域都發(fā)揮了重要的作用，為產(chǎn)品賦能愈來愈稱為各大企業(yè)的追求。人工智能早已滲透到計 算機視覺、自動駕駛、自然語言處理、機器人技術、推薦系統(tǒng)、語音識別、航空航天等等領域。
AI人工智能實驗箱的學習主要分為兩個部分，第一部分為人工智能基礎，主要包括：相關數(shù)學基礎、編程基礎、機器學習、深度神經(jīng)網(wǎng)絡、ROS基礎與運動學。第二部分主要為實踐學習包括：GPIO與傳感器、機械臂、AI視覺、AI聽覺、物聯(lián)網(wǎng)。完成學習后，可以充分了解到人工智能最主流的相關應用。
1.相關數(shù)學基礎
2.編程基礎
3.機器學習
4.深度神經(jīng)網(wǎng)絡
5.機器運動學與ROS機器人
6.GPIO、傳感器基礎課程
7.機械臂課程
8.AI視覺課程
9.AI聽覺課程
AI人工智能實驗箱將理論與實踐完美結合，豐富的實驗項目讓您在實踐中學習，在應用中鞏固，真正將AI知識融會貫通。
3. 開放靈活，激發(fā)創(chuàng)新
開放的GPIO接口和模塊化設計，支持個性化功能開發(fā)，讓您將創(chuàng)意變?yōu)楝F(xiàn)實，打造屬于自己的AI項目。
用戶的評價：
1. 來自高校教師的評價：
“課程內(nèi)容豐富，教學效果杠杠的，學生們都搶著學AI！”
“以前教AI，我頭都大了，各種理論知識，學生們聽得云里霧里�，F(xiàn)在有了上海頂邦AI實驗箱，我輕松多了，直接讓學生做實驗，學得賊快！”
2. 來自學生的評價：
“以前我對AI一點都不懂，現(xiàn)在我都能開發(fā)自己的AI項目了！”
“課程由淺入深，循序漸進，小白也能輕松上手。老師講得也好，我聽得懂，學得會！”
3. 來自校領導的評價
“AI人工智能實驗箱能夠幫助學生快速掌握AI知識和技能。平臺提供的實驗項目也非常實用，能夠幫助學生將理論知識應用到實踐中。”
“我們相信，借助上海頂邦人工智能實驗箱，我們學校的AI教學水平將不斷提升，學生們也將能夠在未來的AI時代取得更大的成就。”
AI人工智能實驗箱不僅是學習AI的最佳工具，更是您通往AI未來的橋梁！
一、AI核心
GPU ：128核 NVIDIA Maxwell GPU
CPU ：4核cortex-A57處理器
內(nèi)存：4 GB LPDDR 25.6 GB/s
算力：472 GFLOP
基于NVIDIA強大的Al計算能力，系統(tǒng)內(nèi)核是一個小巧卻功能強大的計算機，它可以讓你并行運行多個神經(jīng)網(wǎng)絡、對象檢測、分割和語音處理等應用程序， 系統(tǒng)搭載四核cortex- A57處理器，128核Maxwell GPU及 4GB LPDDR內(nèi)存，帶來足夠的Al計算能力，提供472GFLOP算力，并支持一系列流行的Al框架和算法，比如TensorFlow、Pytorch、 caffe/caffe2、Keras、MXNET等。
二、系統(tǒng)框架與AI框架
1. 系統(tǒng)預裝ubuntu18.04操作系統(tǒng)，所有環(huán)境代碼庫文件均已安裝，開機即用。
Ubuntu 18.04 LTS在云計算領域效率極高，特別適用于機器學習這樣的存儲密集型和計算密集型任務。Ubuntun 長期支持版本可以獲得 Canonical 官方長達五年的技術支持。Ubuntu 18.04 LTS 還將附帶了 Linux Kernel 4.15，其中包含針對 Spectre 和 Meltdown 錯誤的修復程序。
2. 提供詳細的python開源范例程序
根據(jù)TIOBE最新排名 ，Python已超越C#，與Java,C,C++一起成為全球前4大最流行語言。國內(nèi)目前百度指數(shù)搜索量已經(jīng)超越Java，與C++，即將成為國內(nèi)最受歡迎的開發(fā)語言。
Python被廣泛應用于后端開發(fā)、游戲開發(fā)、網(wǎng)站開發(fā)、科學運算、大數(shù)據(jù)分析、云計算，圖形開發(fā)等領域；Python在軟件質量控制、提升開發(fā)效率、可移植性、組件集成、豐富庫支持等各個方面均處于先進地位。python具有 簡單、易學、免費、開源、可移植、可擴展、可嵌入、面向對象等優(yōu)點，它的面向對象甚至比java和C#.net更徹底；
3. JupyterLab編程
JupyterLab是一個基于Web的交互式開發(fā)環(huán)境，用于Jupyter筆記本、代碼和筆記本、代碼和數(shù)據(jù).JupyterLab非常靈活配置和排列用戶界面，以支持數(shù)據(jù)科學、科學計算和機器學習中廣泛的工作流.JupyterLab是可擴展的和模塊化的編寫插件，添加新組件并與現(xiàn)有組件集成
4. 多種AI框架
OpenCV計算機視覺庫，TensorFlow AI框架，Pytorch AI框架等
三、AI人工智能實驗箱特點
支持多模態(tài)輸入，跨語言編程，優(yōu)化深度學習模型
人體姿態(tài)估計，應用于實際場景
實時背景移除，基于深度學習，高效實時移除背景
目標檢測，多目標檢測能力強
語義分割，像素級別的詳細分類，適用于環(huán)境感知
單目深度，無需特殊相機，利用全卷積網(wǎng)絡，可從單個圖像推斷相對深度，應用廣泛。
語音情感識別，采用Mobilenet_v2模型處理語音情感，輕量化、高效
六自由度機械臂，智能舵機，ROS控制，適用于AI視覺顏色分揀實驗
車牌識別，使用Teseract-OCR 引擎，識別準確率高，使用場景廣泛。
ROS機器人系統(tǒng)，跨平臺兼容，代碼開源，模塊化設計，通用性強靈活性高。
AI聽覺主板，具備高質量音頻處理和語音服務，搭載Snowboy喚醒詞檢測引擎，可以完成語音情感識別、圖靈機器人、語音對話等實驗。
四、硬件資源
一、硬件資源
| 功能單元 | 參數(shù) | 功能描述 |
| 實驗箱 | 外形尺寸：≥610*440*240mm； | 外箱采用鋁木合金材料，四周安裝尼龍防護墊，實驗箱體內(nèi)部包含存儲空間，可以妥善存放模塊及配件，打開方式為按壓彈出。 |
| AI運算單元 |
GPU ：128核 NVIDIA Maxwell GPU； CPU ：4核cortex-A57處理器； 內(nèi)存：4 GB LPDDR 25.6 GB/s； 算力：472 GFLOP； 核心擴展：擁有最少4個USB3.0接口，支持HDMI和DP視頻接口，一路M.2接口的單路PCIE，并安裝有散熱風扇， 40pin GPIO； 網(wǎng)絡：千兆以太網(wǎng)口、無線網(wǎng)卡支持2.4Ghz/5GHZ,支持藍牙4.2； |
安裝Ubuntu 18.04 LTS+ROS Melodic操作系統(tǒng)，集成JupyterLab開發(fā)環(huán)境、Anaconda 4.5.4虛擬環(huán)境，支持一系列流行的AI框架和算法，比如TensorFlow、caffe/caffe2、Keras、Pytorch、MXNET 等，系統(tǒng)安裝有OpenCV計算機視覺庫，TensorFlow AI框架，Pytorch AI框架。 |
| 機械臂 |
機械臂自由度：5自由度+夾持器，200g有效負載，臂展350mm； 舵機方案：15Kg*5+6Kg*1智能串行總線舵機； 材質：陽極氧化處理鋁合金； |
用于機器人運動學與機器人系統(tǒng)，可以完成夾持積木等動作。 |
| 嵌入式核心主板 |
接口：6個總線舵機接口， PWM舵機接口，i2C接口，除AI核心板外還支持STM32和Raspberry Pi； OLED:顯示CPU占用，顯示內(nèi)存占用，顯示IP地址等基礎信息； 按鍵：K1+K2鍵+RESET鍵； 1 個RGB燈； |
用于支持機械臂動作。 |
| 攝像頭 | 采用USB接口，30萬像素，110度廣角攝像頭，480P分辨率（600*480） | AI視覺實驗，如垃圾分揀等實驗。 |
| AI聽覺單元 |
音頻芯片：采用SSS1629音頻芯片； 麥克風：板載兩個高質量MEMS硅麥克風； 接口：標準3.5mm耳機接口、雙通道喇叭接口； |
采用USB接口設計，免驅動，多系統(tǒng)兼容，可左右聲道錄音，音質更加�？梢酝瓿葾I聽覺類實驗。 |
| 傳感器實驗模塊 |
傳感器實驗模塊將Jetson nano的GPIO接口引出，方便完成GPIO實驗，并且包含以下實驗課程：雙色LED、 繼電器、 輕觸開關按鍵、U 型光電傳感器、模數(shù)轉換、PS2 操縱桿、電位器、模擬霍爾傳感器、光敏傳感器、火焰報警、氣體傳感器、觸摸開關、超聲波傳感器距離檢測、旋轉編碼器、紅外避障傳感器、氣壓傳感器、陀螺儀加速度傳感器、循跡傳感器、直流電機風扇模塊、步進電機驅動模塊； |
傳感器實驗模塊可以更好的幫助學習者更加快速的入門Jetson nano的GPIO控制，從基礎入手，完成實驗項目。同時引出的GPIO和可移動的模塊也使我們后續(xù)的使用和開發(fā)更加方便。 |
| 顯示屏 | 10寸顯示屏，HDMI接口，1080P分辨率。 | 顯示屏傾斜安裝，傾斜角度大于5°。用于操作系統(tǒng)顯示。 |
| 鍵盤鼠標 | 干電池供電，無線藍牙連接。 | 用于系統(tǒng)控制。 |
五、AI人工智能課程
AI人工智能實驗箱在設計時，考慮到不同基礎學習者的需求，力求使用更易理解的學習方式傳遞更加詳細的知識。本實驗平臺對各類使用者均有一定的學習幫助，特別是在在校大學生和研究生，能夠幫助學生從初學逐漸過渡到深入學習。也可以幫助他們完成畢業(yè)設計或者學術論文。在人工智能遍地開花的今天，人工智能在 各個領域都發(fā)揮了重要的作用，為產(chǎn)品賦能愈來愈稱為各大企業(yè)的追求。人工智能早已滲透到計 算機視覺、自動駕駛、自然語言處理、機器人技術、推薦系統(tǒng)、語音識別、航空航天等等領域。
AI人工智能實驗箱的學習主要分為兩個部分，第一部分為人工智能基礎，主要包括：相關數(shù)學基礎、編程基礎、機器學習、深度神經(jīng)網(wǎng)絡、ROS基礎與運動學。第二部分主要為實踐學習包括：GPIO與傳感器、機械臂、AI視覺、AI聽覺、物聯(lián)網(wǎng)。完成學習后，可以充分了解到人工智能最主流的相關應用。
1.相關數(shù)學基礎
| 教學課程 | 課程內(nèi)容 |
| 矩陣論 | 標量、向量、矩陣、張量 |
| 矩陣和向量相乘 | |
| 單位矩陣和逆矩陣 | |
| 線性相關和生成子空間 | |
| 范數(shù) | |
| 特殊類型的矩陣和向量 | |
| 跡運算 | |
| Moore-Penrose偽逆 | |
| 概率與信息論 | 隨機變量與概率分布 |
| 離散型變量與概率分布律 | |
| 常見的離散型概率分布 | |
| 連續(xù)型變量和概率密度函數(shù) | |
| 常見的連續(xù)性概率分布 | |
| 聯(lián)合概率 | |
| 邊緣概率 | |
| 條件概率 | |
| 獨立性和條件獨立性 | |
| 期望、方差和協(xié)方差 | |
| 信息論 |
| 教學課程 | 課程內(nèi)容 |
| 變量與基本數(shù)據(jù)類型 | 變量 |
| 基本數(shù)據(jù)類型 | |
| 列表和元組 | 列表 |
| 元組 | |
| 字典與集合 | 字典 |
| 集合 | |
| 類和對象 | 面向對象概述 |
| 類的定義和使用 | |
| 屬性 | |
| 繼承 | |
| 模塊化程序設計 | 函數(shù)創(chuàng)建和調(diào)用 |
| 參數(shù)傳遞 | |
| 深度學習框架簡介 | TensorFlow |
| PyTorch | |
| Caffe/caffe2 | |
| PaddlePaddle | |
| Linux開發(fā)環(huán)境簡介 | Ubuntu操作系統(tǒng) |
| 常用命令行 |
| 教學課程 | 課程內(nèi)容 |
| 基本概念 | 訓練集、測試集、驗證集 |
| 過擬合、欠擬合、泛化 | |
| 學習率、正則化、交叉驗證 | |
| K-近鄰算法 | 基本概念 |
| K的選取 | |
| 距離的度量 | |
| 支持向量機 | 間隔與支持向量 |
| 對偶問題 | |
| 核函數(shù) | |
| 軟間隔與正則化 | |
| K-均值聚類 | K-均值聚類 |
| 決策樹和隨機森林 | 決策樹的基本概念 |
| 選擇最佳劃分標準 | |
| 隨機森林 | |
| 神經(jīng)網(wǎng)絡 | 神經(jīng)元模型 |
| 感知器 | |
| 多層感知器 | |
| 經(jīng)驗風險和結構風險 | |
| 梯度下降和反向傳播 | |
| RBF網(wǎng)絡 | |
| 超限學習機 | |
| 神經(jīng)網(wǎng)絡訓練技巧 |
| 教學課程 | 課程內(nèi)容 |
| 人工智能 | 人工智能、機器學習與深度學習 |
| 深度學習 | 深度學習的發(fā)展歷程 |
| 卷積神經(jīng)網(wǎng)絡 | 發(fā)展歷程 |
| 基本結構 | |
| 前饋運算與反向傳播 | |
| 相關性質 | |
| 卷積神經(jīng)網(wǎng)絡變種 | |
| 常用卷積神經(jīng)網(wǎng)絡模型 | |
| 循環(huán)神經(jīng)網(wǎng)絡 | 循環(huán)神經(jīng)網(wǎng)絡簡介 |
| 長短時記憶網(wǎng)絡神經(jīng) | |
| 循環(huán)神經(jīng)網(wǎng)絡的變體 | |
| 生成對抗網(wǎng)絡 | 生成對抗網(wǎng)絡簡介 |
| 生成對抗網(wǎng)絡基本結構 | |
| 生成對抗網(wǎng)絡變種 |
| 實驗課程 | 課程內(nèi)容 |
| ROS基礎與運動學 | ROS基礎課程 |
| ROS創(chuàng)建工程項目 | |
| 自定義消息 | |
| Server通訊 | |
| 機械臂URDF模型 | |
| 機械臂運動學正反解 | |
| MoveIt配置 | |
| 智能串行總線舵機 | |
| PC上位機控制 | |
| 機械臂自定義學習動作組 | |
| 機械臂關節(jié)弧度及末端姿態(tài)控制 | |
| 機械臂工作區(qū)域內(nèi)抓取、搬運 | |
| 6自由度逆運動學控制 |
| 實驗課程 | 課程內(nèi)容 |
| Jetson nano GPIO課程 | 雙色LED控制 |
| 電位器檢測 | |
| 繼電器控制 | |
| 輕觸開關按鍵 | |
| PCF8591模數(shù)轉換 | |
| PS2操縱桿 | |
| 觸摸開關控制 | |
| 直流電機風扇 | |
| 步進電機驅動 | |
| 傳感器實驗課程 | 模擬霍爾傳感器 |
| 模擬溫度傳感器 | |
| 火焰報警 | |
| 煙霧傳感器 | |
| 超聲波傳感器距離檢測 | |
| 旋轉編碼器 | |
| 紅外避障傳感器 | |
| BMP180氣壓傳感器 | |
| MPU6050陀螺儀加速度傳感器 | |
| 循跡傳感器 |
| 實驗課程 | 課程內(nèi)容 |
| 機械臂基礎課程 | 用戶按鍵控制 |
| 蜂鳴器控制實驗 | |
| OLED控制實驗 | |
| 控制單個舵機 | |
| 同時控制6個舵機動作 | |
| 讀取舵機當前位置 | |
| 機械臂關節(jié)標定實踐 | |
| 機械臂關節(jié)弧度及末端姿態(tài)控制 | |
| 機械臂舞蹈表演 | |
| 機械臂搬運色塊實踐 | |
| 機械臂搬運碼垛色塊實踐 | |
| 機械臂抓取工作區(qū)域九點標定 | |
| 機械臂抓取工作區(qū)域物塊測試 |
| 實驗課程 | 課程內(nèi)容 |
| AI視覺開發(fā)課程 | 安裝和使用Matplotlib、Pyplot 和 Numpy |
| 在OpenCV中運行攝像頭 | |
| JetCam庫中測試USB攝像頭 | |
| OpenCV讀取、寫入和顯示圖像 | |
| OpenCV讀取、顯示和保存視頻 | |
| OpenCV繪圖函數(shù)使用 | |
| OpenCV圖像質量和像素操作 | |
| OpenCV圖片剪切 | |
| OpenCV圖片平移 | |
| OpenCV圖片鏡像 | |
| OpenCV仿射變換 | |
| OpenCV圖片縮放 | |
| OpenCV圖片旋轉 | |
| OpenCV圖片處理 | |
| OpenCV灰度處理 | |
| OpenCV圖像美化 | |
| OpenCV邊緣檢測 | |
| OpenCV二值化處理 | |
| OpenCV矩形圓形繪制 | |
| OpenCV文字圖片處理 | |
| OpenCV線段繪制 | |
| OpenCV彩色圖片直方圖 | |
| OpenCV直方圖均衡畫 | |
| OpenCV圖片修補 | |
| OpenCV亮度增強 | |
| OpenCV高斯均值濾波 | |
| OpenCV磨皮美白 | |
| OpenCV中值濾波 | |
| AI視覺與機械臂綜合課程 | 顏色檢測 |
| 臉部和眼睛檢測 | |
| 行人檢測 | |
| 汽車檢測 | |
| 車牌檢測 | |
| 目標追蹤 | |
| 定位物體實時位置 | |
| 攝像頭機械臂物體追蹤 | |
| 攝像頭機械臂人臉追蹤 | |
| 色塊抓取分揀實驗 | |
| 攝像頭ArucoTag識別抓取實驗 | |
| AI人工智能機械臂與主人互動實踐 | |
| AI人工智能機械臂手勢識別抓取指定色塊進行碼垛 | |
| AI人工智能機械臂垃圾分類實踐 | |
| 嵌入式視覺應用 | 圖像分類 |
| 物體檢測 | |
| 語義分割 | |
| 目標檢測 | |
| 人體姿態(tài)動作識別 | |
| 背景移除 | |
| 單眼深度圖 |
| 實驗課程 | 課程內(nèi)容 |
| AI聽覺領域前沿算法 | 連接時序分類模型 |
| Attention模型 | |
| 基于HMM的語音識別 | |
| Transformer | |
| AI聽覺綜合實戰(zhàn) | AI聽覺領域前沿算法 |
| 在線語音合成 | |
| 語音聽寫流式 | |
| 圖靈機器人 | |
| AIUI | |
| VAD端點檢測 | |
| 小薇機器人語音對話 | |
| Snowboy語音喚醒 | |
| 語音情感識別 | |
| 基于 Kaldi 的語音識別實踐 |