首页
›
工业控制与工业互联网
›
032-Edge AI OpenVINO部署优化
›
《OpenVINO在工业相机上的实时推理部署案例》
VIP20
本课程属于:032-Edge AI OpenVINO部署优化
工业控制与工业互联网 · 共 20 门相关课程,组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
📘
OpenVINO在工业相机上的实时推理部署案例
共计 30 章节
点击此处阅读海量试读课程:100+行业、1000+细分领域
01
课程导入
学习目标 · 课程结构 · 工业相机实时推理的应用价值与挑战
课程导入
学习目标
02
工业相机基础
工业相机类型(面阵 · 线阵 · 3D)
工业相机基础
工业相机类型
03
机器视觉与推理部署概述
传统图像处理与深度学习推理的差异 · 工业场景对实时性 · 稳定性和精度的要求
机器视觉
推理部署概述
04
OpenVINO工具套件详解
OpenVINO架构 · 核心组件(Model Optimiz… · Inference Engine
OpenVINO
工具套件详解
05
OpenVINO开发环境搭建
Windows/Linux下的安装配… · Python与C++ API环境 · 验证安装与运行示例
OpenVINO
开发环境搭建
06
模型获取与转换
从TensorFlow/PyTorc… · 使用Model Optimizer转…
模型获取
转换
07
模型优化与量化
FP16/INT8量化原理 · 精度与性能权衡 · 使用NNCF或Post-traini…
模型优化
量化
08
OpenVINO推理API基础
Python与C++的推理流程(读取… · 配置输入输出 · 执行推理
OpenVINO
API
09
工业相机图像采集与预处理
使用OpenCV或相机SDK获取图像 · 图像格式转换(BGR/RGB · 灰度)
工业相机图像采集
预处理
10
实时推理性能优化
异步推理(Async API) · 多线程 · 批处理
实时推理性能优化
Async
11
工业相机与OpenVINO集成架构
相机采集线程与推理线程解耦 · 使用队列缓冲 · 实现流水线处理
OpenVINO
工业相机
12
案例实战一
基于OpenVINO的工业零件缺陷检…
案例实战一
OpenVINO
13
案例实战二
基于OpenVINO的定位与检测(Y…
案例实战二
OpenVINO
14
案例实战三
基于OpenVINO的语义分割(如路… · 焊缝检测)——像素级分析
案例实战三
OpenVINO
15
案例实战四
基于OpenVINO的OCR识别——… · 序列号)
案例实战四
OpenVINO
16
案例实战五
基于OpenVINO的异常检测(无监…
案例实战五
OpenVINO
17
多相机协同推理
多路相机同时采集 · OpenVINO多设备调度与负载均衡
多相机协同推理
多路相机同时采集
18
边缘计算与嵌入式部署
在Jetson · 树莓派 · Intel NUC等边缘设备上部署O…
边缘计算
嵌入式部署
19
工业相机标定与图像校正
相机标定 · 畸变校正 · 透视变换
工业相机标定
图像校正
20
推理结果后处理与可视化
NMS · 阈值过滤 · 坐标映射
推理结果后处理
可视化
21
系统集成与通信协议
与PLC(Modbus · Profinet) · 机器人(TCP/IP)集成
系统集成
通信协议
22
性能测试与基准评估
FPS · 延迟 · CPU/GPU占用率
性能测试
基准评估
23
常见问题与调试技巧
模型转换失败 · 推理精度下降 · 内存泄漏
常见问题
调试技巧
24
模型安全与版本管理
模型加密 · 版本控制 · 热更新策略
模型安全
版本管理
25
工业环境下的鲁棒性设计
光照变化 · 遮挡 · 噪声
工业环境下的鲁棒…
光照变化
26
OpenVINO与深度学习框架协同
使用OpenVINO作为推理后端 · 训练仍用PyTorch/TF · 实现训练-部署分离
OpenVINO
深度学习框架协同
27
实战项目完整流程
从需求分析 · 方案设计 · 模型选型
实战项目完整流程
从需求分析
28
综合案例
基于OpenVINO的智能质检系统—… · 实时报警 · 数据统计
综合案例
OpenVINO
29
课程总结与进阶方向
OpenVINO新特性 · 与Docker/K8s结合 · 云边协同
课程总结
进阶方向
30
结业考核与项目答辩
学员自选工业场景 · 完成从相机采集到OpenVINO推理… · 并展示性能优化成果
结业考核
项目答辩
所属VIP或分类
同VIP:OpenVINO-AUTO设备选择与性能对比指南
同VIP:OpenVINO-CPUVPU混合部署架构设计课程
同VIP:OpenVINO-CPU推理线程数与NUMA调优教程