i卡會員

物件識別是人工智慧技術應用於電腦視覺的重要領域，發展至今已有可超越人類準確度的影像辨識能力。由於Edge AI相關的新興應用需求驅動，在卷積神經網路 (CNN) 模型的基礎上，發展出了分析速度可提高千倍的即時物件識別演算法，著名的YOLO即是其中之一。我國學研重鎮中研院於2020年與俄羅斯專家共同發表YOLOv4，成為當前最快最準的即時物件識別演算法並且廣為全球開發者採用。此演算法適用於快速識別一張影像中的大量物件，在交通、製造、安全監控、體育競賽方面皆有應用機會。以現況而言，即時物件識別演算法的準確度仍偏低，但在必須兼顧速度的前提下，提升準確度異常困難，建議AI廠商和學研機構後續可持續研究尋求突破。

【內容大綱】

• 一、AI物件識別簡介
  • (一)AI物件識別概念
  • (二)AI物件識別類型
  • (三)AI物件識別應用
• 二、模型分析即時性提升遭遇瓶頸
  • (一)演算法運算方式限制
  • (二)深層學習模型回饋資訊遞減
• 三、即時物件識別演算法YOLO
  • (一)將物件分類與辨識一次完成
  • (二)台灣學研單位參與研發第四代演算法
• 四、即時物件識別演算法應用效益
  • (一)可視使用者需求選擇模型偏好
  • (二)更符合Edge AI解決方案需求
• IEKView

【圖表大綱】

• 圖一、AI物件識別常見應用
• 圖二、AI物件識別分析流程
• 圖三、CNN模型學習資訊反饋示意
• 圖四、YOLO演算法官網首頁
• 表一、YOLOv4與YOLOv3差異比較