組織者

Alexander Bovyrin（演算法創新主管，高階 PE，英特爾）
Yury Gorbachev（OpenVINO 首席架構師，PE，英特爾）
Pavel Druzhkov（高階機器學習工程師，英特爾）
Nikita Manovich（高階軟體工程師，英特爾）

時間： 13:30-17:30（半天 - 下午）

描述

本教程旨在幫助深度學習/計算機視覺工程師將他們的解決方案產品化，並透過使用英特爾® OpenVINO™ 工具將它們帶到邊緣。基於深度學習的演算法是資源密集型和計算密集型任務。每當演算法準備就緒以投入生產時，都需要做出部署工具的選擇。在實踐中，工具的選擇不僅會影響速度，還會影響最終解決方案的質量。因此，在演算法選擇階段瞭解目標平臺和啟用工具支援的功能至關重要。

我們將涵蓋以下重要主題

• OpenVINO 工具包簡介
  • 深度學習部署工具的架構；
  • 跨平臺 DL 部署的可移植性；
• 最重要的功能
  • 拓撲特定最佳化。
  • 使用示例的深度網路圖最佳化（硬體不可知和硬體特定）。
  • 異構執行。示例。
  • 非同步執行。示例。
  • 各種精度支援。示例。
  • 動態批處理。示例。
• OpenVINO 模型庫
  • 模型概述和效能特徵。
• OpenCV DNN 模組
  • DNN 模型概述。
  • 如何使用 OpenCV DNN 的示例。
  • OpenCV 與推理引擎後端的效率。
• 輔助工具和計劃的功能
  • CNN 最佳化工具：量化、修剪、稀疏性。
  • CVAT - 開放式計算機視覺標註工具。

教程還將指導參與者完成演算法設計（拓撲選擇和質量評估）和移植到英特爾 DL 部署工具的工作流程的實際示例。將提供最終解決方案的效能資料以及與其他深度學習解決方案的比較。

議程

13:30 – 14:00	OpenVINO 簡介
14:00 – 15:15	最重要的功能（拓撲特定最佳化、異構和非同步執行、動態批處理等）
15:15 – 15:30	咖啡休息
15:30 – 16:00	開放式模型庫
16:00 – 16:30	OpenCV DNN 模組概述
16:30 – 17:00	CNN 最佳化工具
17:00 – 17:30	計算機視覺標註工具 (CVAT)