- 您當(dāng)前的位置是：首頁 >人工智能產(chǎn)品 > 人工智能開發(fā)與應(yīng)用平臺
- 人工智能開發(fā)與應(yīng)用平臺
-
-
高性能人工智能邊緣計算平臺eAI7600
產(chǎn)品型號：eAI7600
高性能人工智能邊緣計算平臺是為高校人工智能核心課程——《機器學(xué)習(xí)》、《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》、《計算機視覺》、《自然語言處理》等課程進(jìn)行各類算法學(xué)習(xí)實驗、相關(guān)應(yīng)用案例開發(fā)的開放性計算平臺。
- 詳細(xì)內(nèi)容
-
平臺簡介
高性能人工智能邊緣計算平臺是為高校人工智能核心課程——《機器學(xué)習(xí)》、《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》、《計算機視覺》、《自然語言處理》等課程進(jìn)行各類算法學(xué)習(xí)實驗、相關(guān)應(yīng)用案例開發(fā)的開放性計算平臺。該平臺包括：人工智能邊緣計算系統(tǒng)、視覺系統(tǒng)、開源機器學(xué)習(xí)案例庫、開源深度學(xué)習(xí)框架及案例庫、自然語言處理案例庫、大量訓(xùn)練與測試數(shù)據(jù)等。本開發(fā)平臺主要解決以上四門課程教學(xué)工程實踐問題，真正培養(yǎng)學(xué)生具有人工智能專業(yè)技術(shù)的實踐項目開發(fā)及應(yīng)用能力。
硬件參數(shù)
邊緣計算系統(tǒng)
1、CPU：8核Arm，64位 CPU + 3MB二級緩存+6MB三級緩存；2.2GHz；
2、GPU：1780核CUDA內(nèi)核 + 56個Tensor內(nèi)核；AI計算性能不低于200 TOPS；
3、DL加速器：2個NVDLA引擎；
4、視覺加速器：PAV V2.0；
5、內(nèi)存：32GB 256位 LPDDR5內(nèi)存；
6、存儲：64G電子硬盤；
7、視頻：視頻編碼—2x4K/60Hz；視頻解碼—1x8K/30Hz；
8、接口
（1）以太網(wǎng)：千兆以太網(wǎng)連接器；
（2）無線網(wǎng)卡：802.11ac WIFI +藍(lán)牙；
（3）顯示：HDMI 2.0；
（4）USB：4路USB 3.0 + USB 2.0；
（5）其他：GPIO、CAN、I2C、I2S、SPI、 UART。
9、電源：AC220/DC19V；
10、機箱：工控專用機箱；
11、顯示器：21寸HDIM接口LCD顯示器；
12、外設(shè)：鍵盤、鼠標(biāo)一套；
13、預(yù)裝：預(yù)裝ubantu 18.0以上操作系統(tǒng)。
計算機視覺系統(tǒng)
1、200萬像素相機；
2、1/2.7”CMOS傳感器；
3、最大圖像尺寸：1920×1080；
4、RJ45以太網(wǎng)接口或USB接口；
5、電源：DC5V或DC12V。
應(yīng)用開發(fā)案例
1、計算機視覺基礎(chǔ)案例
1.1 在圖像上繪制直線、圓及字符串；
1.2 圖像的灰度處理；
1.3 圖像的閾值分割及平滑處理；
1.4 圖像的運算、比較及變化；
1.5 圖像的顏色提取、拆分及合并；
1.6 圖像形態(tài)學(xué)；
1.7 圖像形態(tài)學(xué)濾波；
1.8 邊緣檢測；
1.9 霍夫（Hough）直線、圓形檢測；
1.10 輪廓提取及缺陷檢測；
1.11 圖像顏色直方圖分析；
1.12 圖像多邊形；
1.13 圖像的矩；
1.14 模板匹配；
1.15 圖像特征點檢測。
2、計算機視覺應(yīng)用案例
（1）視覺定位
1.1 原點視覺定位；
1.2 裝配視覺定位。
（2）視覺測量
2.1 距離與長度測量；
2.2 角度測量；
2.3 圓弧與正圓、橢圓測量。
（3）視覺識別
3.1 產(chǎn)品生產(chǎn)日期檢測；
3.2 車牌及號碼檢測；
3.3 條碼、二維碼識別；
3.4 物料形狀、顏色識別；
3.5 物料視覺識別與分揀；
3.6 道路標(biāo)志識別；
3.7 人臉識別。
（4）視覺檢測
4.1 零件缺陷檢測；
4.2 產(chǎn)品質(zhì)量檢測。
3、機器學(xué)習(xí)課程開源應(yīng)用開發(fā)案例
3.1 眼鏡類型分類的決策樹算法案例；
3.2 手寫數(shù)字分類k最近鄰算法案例；
3.3 簡單數(shù)據(jù)集分類的線性模型算法案例；
3.4 小規(guī)模數(shù)據(jù)點分類的SVM算法案例；
3.5 留言板侮辱性言論屏蔽的貝葉斯分類器算法案例；
3.6 距離測量的流行學(xué)習(xí)數(shù)據(jù)降維算法案例；
3.7 地圖標(biāo)記點分類的聚類算法案例；
3.8 聲納信號分類的隨機森林算法案例；
3.9 毒蘑菇相似特征分析的Apriori算法學(xué)習(xí)案例；
3.10 走迷宮的強化學(xué)習(xí)案例。
4、深度學(xué)習(xí)課程開源應(yīng)用開發(fā)案例（含自然語言處理與語音識別課程開源應(yīng)用開發(fā)案例）
（1）深度學(xué)習(xí)主要網(wǎng)絡(luò)結(jié)構(gòu)與應(yīng)用
1.1 卷積神經(jīng)網(wǎng)絡(luò)及應(yīng)用；
1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)及應(yīng)用；
1.3 殘差網(wǎng)絡(luò)及應(yīng)用；
1.4 生成對抗網(wǎng)絡(luò)及應(yīng)用。
（2）深度學(xué)習(xí)開源框架與搭建
2.1 基于TensorFlow框架的網(wǎng)絡(luò)模型搭建；
2.2 基于PyTorch框架的網(wǎng)絡(luò)模型搭建。
（3）深度學(xué)習(xí)在自然語言處理的應(yīng)用
3.1 中文分詞與詞性標(biāo)注；
3.2 句法分析與文本處理；
3.3 機器翻譯。
（4）深度學(xué)習(xí)在圖像處理的應(yīng)用
4.1 手寫數(shù)字識別；
4.2 圖像分類；
4.3 目標(biāo)檢測識別；
4.4 人臉識別；
4.5 圖像生成。
（5）深度學(xué)習(xí)在語音識別的應(yīng)用
5.1 語音識別模型；
5.2 語音輸入法；
5.3 語音合成。
