今天，计算机视觉(CV)技术正处于一个转折点，主要趋势汇聚起来，使云技术在针对特定用途优化的微型边缘人工智能设备中变得无处不在，这些设备通常由电池供电。

今天，计算机视觉(CV)技术正处于一个转折点，主要趋势汇聚起来，使云技术在针对特定用途优化的微型边缘人工智能设备中变得无处不在，这些设备通常由电池供电。

解决特定挑战的技术进步使这些设备能够在受限的环境中本地执行复杂的功能——即尺寸、功率和内存——正在使这种以云为中心的人工智能技术延伸到边缘，新的发展将使边缘的人工智能视觉无处不在。

了解技术

CV技术确实处于边缘，并且正在实现人机界面(HMI)的下一个级别。

情境感知设备不仅能感知用户，还能感知用户所处的环境，从而做出更好的决策，实现更有用的自动化交互。

例如，笔记本电脑可以在视觉上感知用户的注意力，并相应地调整其行为和电源策略。这对于省电(当没有检测到用户时关闭设备)以及安全(检测未授权用户或不需要的“潜伏者”)原因都是有用的，并且提供更无摩擦的用户体验。事实上，通过跟踪旁观者的眼球(旁观者检测)，该技术可以进一步提醒用户，并隐藏屏幕内容，直到海岸畅通无阻。

另一个例子：智能电视机可以感知是否有人在观看以及从哪里观看，然后相应地调整图像质量和声音。 当无人在场时，它可以自动关闭以节省电量。 空调系统根据房间占用情况优化功率和气流，以节省能源成本。

通过家庭办公混合工作模式，建筑物中智能能源利用的这些例子和其他例子在财务上变得更加重要。

该技术不仅限于电视和个人电脑，在制造业和其他工业用途中也发挥着至关重要的作用，例如用于安全监管（即禁区、安全通道、防护装备执行）的对象检测、预测性维护和 制造过程控制。 农业是另一个将从基于视觉的情境感知技术中受益匪浅的部门：例如农作物检验和质量监控。

计算机视觉的应用

深度学习的进步使计算机视觉领域的许多令人惊奇的事情成为可能。 许多人甚至不知道他们如何在日常生活中使用计算机视觉技术。 例如：

?图像分类和对象检测：对象检测结合了分类和定位来确定图像或视频中的对象并指定它们在图像中的位置。 它将分类应用于不同的对象并使用边界框。 CV 通过手机工作，可用于识别图像或视频中的对象。

?银行业：CV 用于欺诈控制、身份验证、数据提取等领域，以增强客户体验、提高安全性并提高运营效率。

?零售：用于处理这些数据的计算机视觉系统的开发使实际行业的数字化转型变得更加容易实现，例如自助结账。

?自动驾驶汽车：计算机视觉用于检测和分类物体（例如路标或交通灯）、创建 3D 地图或运动估计，并在使自动驾驶汽车成为现实方面发挥关键作用。

边缘的CV

边缘无处不在的基于ML的视觉处理的趋势是明显的。硬件成本正在下降，计算能力正在显著提高，新的方法使训练和部署需要更少功率和内存的小规模模型变得更加容易。所有这些都减少了采用的障碍，并增加了边缘人工智能技术的使用。

但即使我们看到越来越多无处不在的微型人工智能，仍然有工作要做。为了使环境计算成为现实，我们需要服务于许多细分市场中的长尾用例，这可能会产生可扩展性挑战。

在消费品、工厂、农业、零售和其他领域，每个新任务都需要不同的算法和独特的数据集来进行训练。解决方案提供商提供更多的开发工具和资源来创建优化的支持ML的系统，以满足特定的用例需求。

TinyML

TinyML是在边缘实现所有类型人工智能的一个关键使能因素。这是一种通过利用紧凑的模型架构和优化的算法，直接在边缘设备上开发轻量级和高能效ML模型的方法。

TinyML使AI处理能够在设备上本地进行，减少了对持续云连接的需求。除了功耗更低之外，TinyML实现还降低了延迟，增强了隐私和安全性，并降低了带宽要求。

此外，它使边缘设备能够在不严重依赖云基础设施的情况下做出实时决策，使人工智能在各种应用程序中更容易访问和实用，包括智能设备、可穿戴设备和工业自动化。这有助于解决功能差距，并使人工智能公司能够通过开发丰富的模型示例集——“模型动物园”——和应用参考代码，围绕其NPU产品升级软件。

这样，他们就可以在确定的成本、尺寸和功耗限制内，针对目标硬件优化合适的算法来解决特定的业务需求，从而支持更广泛的长尾应用，同时确保设计成功。