邊緣AI－使用NVIDIA Jetson Orin Nano開發具備深度學習、電腦視覺與生成式AI功能的ROS2機器人 (1版)

類似書籍推薦給您

【簡介】 內容簡介:★ NVIDIA DLI 深度學習機構白金級認證講師專業講解 ★ ★ 完整解析 NVIDIA Jetson 邊緣運算電腦，最新的 Jetson Orin Nano Super 算力飆升1.7倍！【Jetson Orin Nano Super】NVIDIA 執行長黃仁勳盛讚的1.7倍AI算力提升在這裡！【加速運算】NVIDIA Jetson 系列邊緣運算電腦，搭載 CUDA 與 TensorRT 加速技術，實現掌上高速運算的承諾。【立體機器視覺】整合 Intel RealSense 與 StereoLab ZED 景深攝影機，讓機器人擁有清晰的空間感知能力。【ROS2 作業系統】機器人智慧全面升級，輕鬆實現各種自動化任務。【生成式 AI 應用】在裝置端執行各種大語言、圖像、語音與 Cosmos 等多模態生成模型，讓無限創意在邊緣運算中展翅高飛！ 【目錄】 章節說明:第 1 章 單板電腦與邊緣運算1.1 邊緣運算裝置1.2 單板電腦1.3 NVIDIA 線上資源1.4 NVIDIA Jetson 家族1.5 Jetson Orin Nano 開發套件開箱1.6 總結第 2 章 Jetson Orin Nano 初體驗2.1 Jetson Orin Nano 開機！2.2 基礎系統操作2.3 Jetson Orin Nano Super2.4 總結第 3 章 深度學習結合視覺辨識應用3.1 OpenCV 電腦視覺函式庫3.2 NVIDIA 深度學習視覺套件包3.3 總結第 4 章 整合深度視覺4.1 Intel RealSense 景深攝影機4.2 ZED 景深攝影機4.3 總結第 5 章 ROS2 機器人作業系統5.1 ROS / ROS25.2 NVIDIA Issac ROS5.3 安裝 ROS25.4 RK ROS2 移動平台5.5 ROS2 基本節點5.6 AI 節點5.7 進階應用5.8 總結第 6 章 生成式 AI 結合邊緣運算裝置6.1 淺談生成式 AI6.2 NVIDIA Jetson Generative AI lab6.3 總結

電腦視覺與深度學習 (1版)

類似書籍推薦給您

【簡介】 　　這本書引導讀者從廣闊的人工智慧來到深度學習的核心概念，深化對機器學習的理解，並揭示電腦視覺如何利用機器學習來模仿和擴展人類的視覺能力。深度學習顯著提升了電腦視覺技術的效能，而成功的電腦視覺案例又進一步推進深度學習領域的發展，形成一個良性循環。 　　書中不僅提供扎實的理論基礎，更搭配豐富實用的範例，這些範例都是用強大且被廣泛運用的 Python 程式語言編寫。透過這些範例，讀者能更直觀地掌握書中所述的概念，並將理論付諸實踐。 　　本書特別為對影像處理與電腦視覺懷抱熱情的讀者而設計，無論是大學部或研究所的學生，或是渴望自學精進的其他族群，都能從中獲益良多。 【目錄】 1 簡　介 2 實現電腦視覺的軟體平台 3 電腦視覺的影像基礎 4 鄰域處理 5 影像轉換 6 影像增強 7 影像復原 8 影像分割 9 影像辨識 10 深度學習的歷史與演進 11 重要電腦視覺任務實現一：光學字元辨識 12 重要電腦視覺任務實現二：影像分類 13 重要電腦視覺任務實現三：物件偵測 14 重要電腦視覺任務實現四：語意與實例分割 15 重要電腦視覺任務實現五：物件追蹤 16 重要電腦視覺任務實現六：姿態估測 17 重要電腦視覺任務實現七：人臉辨識 18 真實世界電腦視覺的考量與省思 參考文獻 彩色圖片

電腦視覺機器學習實務｜建立端到端的影像機器學習

類似書籍推薦給您

內容簡介 　　「本書全面介紹深度電腦視覺的最先進作法，在Keras中建構端到端生產系統，提供經過實戰檢驗的最佳實務解決方案。」 　　—François Chollet 　　深度學習研究者和Keras創造者 　　這本實用指南向您展示了如何使用機器學習模型從影像中淬取資訊。ML工程師和資料科學家將會學習經過驗證的ML技術來解決各種影像問題，包括分類、物件偵測、自編碼器、影像產生、計數和圖說產生。本書卓越的介紹了端到端深度學習：資料集建立、資料前置處理、模型設計、模型訓練、評估、部署和可解釋性。 　　Google工程師Valliappa Lakshmanan、Martin Görner和Ryan Gillard向您展示了如何開發準確且可解釋的電腦視覺ML模型，並使用強大的ML架構以靈活且可維護的方式將它們投入大規模生產。您將學習如何使用以TensorFlow和Keras編寫的模型進行設計、訓練、評估和預測。 　　您將學習如何： 　　‧為電腦視覺任務設計機器學習架構 　　‧選擇適合您的任務的模型(例如ResNet、SqueezeNet或EfficientNet) 　　‧建立端到端ML生產線來訓練、評估、部署和解釋您的模型 　　‧前置處理影像以進行資料擴增進行並支援可學習性 　　‧納入可解釋性和負責任的AI的最佳實務 　　‧將影像模型部署為Web服務或在邊緣設備上 　　‧監控和管理機器學習模型 目錄 前言 第1章 電腦視覺之機器學習 第2章 視覺機器學習模型 第3章 影像視覺 第4章 物件偵測與影像分割 第5章 建立視覺資料集 第6章 前置處理 第7章 訓練生產線 第8章 模型品質和持續評估 第9章 模型預測 第10章 生產 ML 的趨勢 第11章 進階視覺問題 第12章 影像和文本產生 後記 索引