OpenVINO工具強大，使用有一定難度，需要一定基礎：Python、機器學習基本算法等
雲計算 與 邊緣計算
邊緣計算起源於傳媒領域，是指在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平台，就近提供最近端服務。
其應用程序在邊緣側發起，產生更快的網絡服務響應，滿足行業在實時業務、應用智能、安全與隱私保護等方面的基本需求。
邊緣計算處於物理實體和工業連接之間，或處於物理實體的頂端。
而雲端計算，仍然可以訪問邊緣計算的歷史數據。
https://baike.baidu.com/item/邊緣計算
邊緣計算示例：無人車
- TensorFlow、Pytorch等 開發、訓練模型 anaconda-Spyder-Python （理論核心在這里，編程調參、訓練）
- OpenVINO 優化、部署、調用推理機 （提高效率）
需要掌握機器學習的基本原理，了解深度神經網絡的常用算法更佳，也需要一定的Python編程基礎。
課程可以考慮作為實踐課：
https://www.icourse163.org/course/FUDAN-1456632162
這門課主要介紹機器視覺的基本算法，並通過案例和實驗的方式，詳細地介紹如何利用OpenVINO平台進行模型的優化和推理，實現機器視覺在邊緣計算領域的應用。
通過典型的案例和動手練習，使用比較少的代碼，就可以實現目標檢測的典型應用。
卷積就是濾波器，卷積后，圖片會留下輪廓
BP 梯度下降 手工推導，編程實現一遍，加深理解
CNN (Convolutional Neural Networks) 的可視化 常用卷積算法：LeNet（LeCun 1998）
01 神經網絡基礎
需要理解神經網絡的基本原理，能夠利用梯度下降法推導網絡的訓練過程；熟悉網絡訓練過程中的常見問題以及優化方法
1.1 神經網絡基礎
1.2 前向神經網絡模型
1.3 神經網絡訓練與優化
1.4 OpenVINO工具包的安裝和配置
1.5 人工智能與邊緣計算
1.6 機器視覺簡介
1.7 交通燈車流檢測Demo
02
卷積神經網絡基礎
深刻理解卷積操作；熟悉常見的卷積神經網絡算法的基本原理；使用常見的卷積神經網絡解決典型的圖形處理問題；了解OpenVINO以及安裝和配置
2.1 機器視覺與深度學習
2.2 卷積神經網絡基礎
2.3 AlexNet卷積神經網絡
2.4 VGG卷積神經網絡模型
2.5 Inception系列卷積神經網絡模型
2.6 ResNet系列卷積神經網絡模型
2.7 OpenVINO平台簡介
2.8 OpenVINO使用
03
目標檢測基礎
理解典型的目標檢測算法原理；使用OpenVINO實現目標檢測算法於經典情景
3.1 目標檢測的基本概念
3.2 基於候選區域的目標檢測R-CNN
3.3 Fast R-CNN目標檢測算法
3.4 Faster R-CNN目標檢測算法
3.5 Yolo目標檢測算法
3.6 SSD目標檢測算法
3.7 MobileNet目標檢測算法
3.8 基於OpenVINO的手寫體識別
04
基於OpenVINO的目標識別平台
使用OpenVINO實現典型目標檢測；推理引擎應用
4.1 使用OpenVINO工具包實現目標檢測的過程
4.2 模型優化器和推理引擎的使用
4.3 基於OpenVINO的車牌識別
05
基於OpenVINO的邊緣計算應用
學習使用OpenVINO解決實際問題的思路以及實現方法
5.1 智能交通燈控制
5.2 智慧教室
5.3 危險品識別
06 綜合實訓：使用OpenVINO解決實際問題
使用OpenVino的實踐和創新型應用
使用OpenVino解決實用邊緣計算場景的新問題
6.1 實訓項目1 導盲系統
6.1 實訓項目2 野生動物數量估計