作者: Micah Kaplan

製造商長久以來都在大撒幣。讓有缺陷的產品穿過生產線、通過例行的目視檢查，然後遭到退後需要重做或退款，整個過程價格不菲而且浪費。而且，對 100 個元件進行一次破壞性測試，也很難讓人相信整批貨沒有瑕疵。

製造業不再採用東拼西湊的事後檢測流程，而是改用電腦視覺解決方案，揪出人眼可能錯過的問題。工業機器視覺解決方案開發商 EigenInnovations Inc. 的營收長 Jonathan Weiss 表示，儘管這些方法愈來愈受青睞，但也面臨著自身的挑戰。

首先，許多機器視覺解決方案難以和內部軟體順利配合，因此孤立而無法整合。演算法通常只因應封閉系統的某個特定使用案例，導致多所侷限，很難在其他應用中大顯身手。

為了應對檢測相關的問題，製造商需要適應性強、沒有綁定單一廠商的電腦視覺解決方案。直接部署在生產線上，即可在生產時立即檢測出缺陷，以免問題如滾雪球般愈演愈烈。Eigen 集中管理的 OneView Machine® 軟體實現了這項目標。

這種內嵌檢測構成了 OneView Software 管理的 Eigen OneView Quality Inspection for Metals 解決方案的支柱，主要仰賴熱像儀並利用機器學習模型，瞭解正確執行的產業流程的熱特徵。與這樣的知識庫合作，OneView 得以即時檢測金屬焊接、塑膠擠壓或材料經過一系列製造步驟時發生的問題。

基於 AI 的內嵌檢測工業應用程式

Eigen 客戶可將此解決方案調整用於多個相關應用，例如注塑、焊接或膠合劑製造流程。在每種情況下，工廠團隊都會利用 OneView 建置 AI 和 ML 模型，以學習不同類型的檢測範例。

典型案例：位於田納西州的一家製造商 Henderson Stamping 在為 Whirlpool 生產元件時，難以準確檢測缺陷。極薄的光亮表面薄膜有助於保護零件免受刮傷和凹痕，但也妨礙以手動方式仔細檢查。因此，出貨時一小部分但很大比例的元件是有缺陷的。Weiss 表示：「對於和客戶簽有協議的製造商來説，這可能會成為非常嚴重的問題，因為將有缺陷的產品出貨會遭處以罰款。」

Eigen 協助該公司開發出一種利用偏轉測量原理的自訂檢測解決方案。這個過程包括把光照射在金屬表面上，並透過評估產生的光圖案來尋找表面缺陷。Henderson 現在使用 OneView 託管的解決方案檢測所有元件，並顯著降低 OEM 召回率。

同樣地，一家大型金屬格柵製造商希望確保其焊接強度足夠堅固。生產後測試包括將格柵穿過扭力機，然後施加壓力、尋找弱點。製造商可以利用 OneView 軟體與多台熱像儀，在每個剖面對所有焊接點進行內嵌測試。軟體將多個攝影機影像組合在一起，建立一張合成影像並找出問題。

Weiss 表示，可以偵測到的缺陷大小取決於所用攝影機的敏感度，但大多數情況下，一公厘以上的缺陷可以輕鬆檢偵到。

電腦視覺帶來營運效率

OneView 不僅能檢測缺陷。「我們青出於藍，還能顯示流程資料。因此，我們不僅協助製造商從視覺上看到缺陷，還讓他們追根究底瞭解根本原因。我們不僅告訴他們產品有瑕疵，還向他們展示流程中發生了什麼偏移或漂移，現在需要工程師進行微調，」Weiss 表示。

OneView 提供從頭到尾的追蹤功能，讓製造商減少保固索賠，並能找到各種應用程式，節省成本、提升效率、提高客戶滿意度。

內嵌檢測缺陷也具有永續發展的優勢。將有缺陷的產品出貨，再讓客戶退貨，只會增加相關的碳足跡。在製造週期中盡早發現問題，也能減少碳浪費。「我們開發了完整的案例研究來協助企業減少_二氧化碳足跡，而且實際上遠遠超出工廠的足跡，」Weiss 表示。「您説的基本上可以節省數十萬噸的_二氧化碳，具體取決於生產足跡。」

開放式技術與工具實現靈活的部署

內嵌缺陷偵測歸根究底是必須在幾秒鐘內完成的工作，這也是為什麼 Intel 技術對於使用 OneView 設計及管理的視覺解決方案尤其重要。這些時間限制可能是一項重大的挑戰，而 Eigen 團隊發現 Intel^® OpenVINO^™ 工具組協助它實現了營運所需的速度。OpenVINO 釋放的效能和推斷影像的速度，這正是 Eigen 將 Intel® 軟硬體作為其「不可或缺」之技術的原因之一。

此外，Intel 協助 Eigen 達到它與眾不同的指標，即提供靈活的部署選項。「我們希望在提供解決方案時盡量不受硬體的侷限，因此 OpenVINO 成為我們架構的關鍵環節，因為它可以支援各種硬體選項，」Weiss 表示。

Eigen 擁有一個內部工程服務小組，有時兼任系統整合商，但也會和偏好的系統整合商合作。Eigen 與 SI 合作，後者落實公司為客戶繪製的解決方案藍圖。與 SI 合作是該公司的一項關鍵策略，因為這樣有助於釋放部署規模，對大型客戶而言尤其如此。

工業自動化未來的必備條件

未來這些機器學習模型可望變得更加準確，透過更少的訓練影像提供更佳的結果。

「我們的優勢在於協助人們使用熱應用，發掘原本看不到的東西，」Weiss 表示。各種專業產業的各種流程都適用。

Weiss 預測，AI和電腦視覺支援的內嵌檢測將必不可少，而非可有可無。利用這些檢測工具也有助於製造商降低員工流失率，因為員工現在需要瞭解機器讀數，而不是以視覺方式檢查產品。

減少浪費和節省成本讓這些解決方案成為理所當然的選擇，製造商再也不用花大筆冤枉錢了。

 

本文由 insight.tech 編輯總監妮．貝內施（Georganne Benesch）編輯。

在繁忙的城市街道或高速公路上，要確保每個用路人的安全並非易事。路上隨時可能發生各種動態，例如動物穿行、小孩子奔跑、行人過馬路等。腳踏車和滑板車還有著更多風險。警示標誌或斑馬線是有用處，但效果有限。現今的城市和高速公路規劃者為了應對這些挑戰，逐漸轉向採用智慧運輸系統 (ITS) 和其他智慧城市科技。

搭載網路攝影機和 AI 分析的監控系統可以擷取道路動向的即時資料，以安全為目的觸發相應的行動。其中一個解決方案──智慧安全系統 (ISS) 的SecurOS^®，是影像智慧和資料認知解決方案的開發者──本質上會透過照亮每個斑馬線區域，並在充足的時間內提醒駕駛，來保護行人免於發生事故。

「城市會圍繞著多模式的環境，持續快速發展並型塑自身。」ISS 智慧運輸系統市場領域負責人 Joe Harvey 表示。「我們的道路上有各式各樣的運輸模式，包括行人、腳踏車騎士、公車、卡車、汽車等。」

這項解決方案使用了全新或現有的安全攝影機來擷取影像，藉由影片分析來處理影像，並使用動態 LED 模組透過將光線投射到斑馬線上來模擬影像。Harvey 稱之為高科技進化版的路標。他指出，與路標不同之處在於，這不需要駕駛在開車時分心查看。

該解決方案也有一項長期目標：SecurOS^®Soffit 可以透過監控和 AI 分析功能，讓城市擷取資料進行長期安全改善，例如最佳化交通模式和道路設計。這家公司分析影片資料與串流的歷史悠久──自 1996 年起便累積了許多開發部署影片分析的經驗與專業知識。ISS 透過這項專業知識，部署了最新的 AI 和電腦視覺技術，在與對手的競爭當中取得領先。

部署 Soffit 等系統的最終目的，是減少道路意外、消除交通事故和嚴重傷害，同時促進移動安全。

智慧運輸系統背後的技術

Soffit 會交叉利用斑馬線上精心部署的網路監控攝影機。攝影機會將影片資料傳輸至分析控制器，當行人走上斑馬線時，就會啟動 LED 照明模組。「行人穿越斑馬線的整個過程期間，駕駛都會收到提醒。」Harvey 表示。行人離開斑馬線後，燈光就會回到平常的靜態模式。

該解決方案能夠捕捉到不同行駛速度的不同類型車輛。這點非常重要，因為腳踏車往往要比汽車花更多時間才能駛離十字路口。Soffit 可以進行必要的調整，讓腳踏車騎士有更多時間行駛，就像傳統紅綠燈可以按下行人按鈕來延長過馬路時間一樣。

只要連線車輛系統搭載此功能，汽車就可以開始從 Sofitt 等系統接收資料，進而針對十字路口和路況做自動調整，Harvey 表示：「這會持續推動產業往瞬間即時決策的方向邁進。」

ISS 會交叉利用 Intel 技術，提供監控與分析解決方案。Intel 推出了新一代處理器技術，讓 ISS 等公司透過增強的功能和可擴充性取得優勢。例如，有公司利用最新的 Intel^® Core^™ Ultra 處理器來測試新技術，並將其建構到 SecurOS 解決方案中，讓客戶能夠立即享受新一代技術的優勢，體驗更強大的效能。「透過 Intel Core Ultra 處理器及其內建的 AI 加速，我們發現影像分析工作的負載比上一代提高了 75% 和 100%。」

ITS 為多種用例提供安全保障

ISS 已在各種設定中部署 Soffit。其中最大的一項是在墨西哥城，該解決方案會處理來自 65,000 部智慧城市攝影機的影像。市政府會在各種用例中，利用影像做出當下決策，例如在有需要時重劃交通路線，以及部署資源來協助故障車輛。

在佛羅里達州的一所大學，Soffit 負責協助確保學生在校園內走動時的安全。每隔一、兩個小時，可能就有數千人離開教室、上車、步行回宿舍和前往其他目的地。系統會收集並分析這些人車共行繁忙區域的資料，以提供如何調整交通模式和斑馬線以防止事故發生的深入分析。

汽車製造商的園區內也利用了 Soffit 技術，這個園區先前為離開大樓的員工調整了斑馬線。但這項調整卻造成了危險，因為駕駛不習慣這種新模式。現在有了動態照明功能，「你可以在一大片區域內看到人從哪裡來，以及又要往哪裡去。」Harvey 表示。

Harvey 相信在未來，這項技術會有更多的用途。隨著攝影機部署得愈來愈多，不可能有人能夠密切留意所有擷取到的影像，因此 AI 會扮演關鍵的角色，提供深入分析與長遠的見解，不僅在有需要時觸發立即行動，最終更能強化並保護我們在這個互聯世界中的生活。

 

本文由 insight.tech 編輯總監妮．貝內施（Georganne Benesch）編輯。

現今的製造商已經採用了數位供應鏈管理解決方案，例如企業資源規劃（ERP）軟體、製造執行系統（MES）和倉儲管理系統（WMS），這些解決方案提高效率，同時還節省時間和金錢。但是仍然存在著一些困難的挑戰。

首先，製造商使用的數位供應鏈管理技術通常不好整合，導致解決方案分散。把關鍵資料從一個系統移到另一個系統，再把這些資訊轉化成製造計畫還有排成，這個流程往往是透過效率低、耗時的手動方式執行。

從生產設施取得的即時資料也是一大難題，這是管理和最佳化供應鏈管理關鍵的一環。上海不工軟體有限公司 （Shanghai Bugong Software Co., Ltd） 的執行長黃崑表示：「因為運算需求高，所以從廠房收集資料非常難。」不工是提供製造供應鏈管理解決方案的軟體公司。

邊緣運算的最新進展協助不工（Bugong）等公司為製造商提供了全面的邊緣到雲端供應鏈解決方案，從初期成果來看前景可期。

重新構思供應鏈管理：從邊緣到雲端

整合數位供應鏈管理的關鍵在於邊緣到雲端的架構。要做到這一點，就需要在邊緣擁有運算能力，同時建立資料管道，在內部系統間移動資料，或是傳輸到雲端進行近一步處理。

不工（Bugong）的解決方案是實踐這項目標的絕佳範例。工業電腦在邊緣收集即時生產資料，並部署智慧生產排程系統。這些裝置協助製造商預測產能、把流程最佳化、實施精益管理，還有立即應對意料之外的訂單變更或生產問題。

像是 ERP、MES 和 WMS 這樣的工業資料系透過數位管道連結，同時也連接到雲端。這促進了內部系統，以及強大的雲端處理軟體之間的資料自由流動。另外，還可以消除繁瑣的手動資料傳輸流程。

雲端的儀表板統整供應鏈資料，提供可見度、分析、自動化和決策。這樣一來，就可以全天候監控，意外發生時自動警示，而且迅速應對緊急情況或生產變更。

這樣一個複雜的系統自然需要強大的邊緣處理能力，還有靈活的實施選項，特別是在製造業企業的多個站點部署的情況下。Intel 技術對推出不工（Bugong）的解決方案至關重要。黃崑談到：「Intel 處理器為邊緣運算提供了可靠、多功能和高效能平台。對我們來說，Intel 的處理器是建置供應鏈管理解決方案的理想基礎。」

供應鏈管理解決方案帶來實際成果

邊緣到雲端供應鏈管理解決方案的架構細節看起來有點抽象。但其中的整合、自動化還有即時回應功能卻帶來了各種實際的好處。

在日常作業的層面上，管理人員可以計算供應鏈產量和客戶需求，然後進行相應的規劃。這讓工廠能夠專注在合理的交貨時間上，還有做出資料導向的決策，因應加急交貨請求或臨時訂單變更。工廠還可以持續監控生產狀態，來應對潛在問題或延遲。提升準時訂單計量指標，減少錯失機會，客戶也更滿意，這就是所帶來的成果。

對於中期規劃，全面供應鏈管理解決方案提供寶貴的資料分析和決策支援。工廠管理人員和物流團隊可以制定最佳化的物流和採購計畫，簡化運輸流程和改善物料採購，進而降低運輸成本，協助避免供應中斷和庫存積壓。

企業決策者可以把這些系統用作長期計畫輔助工具，評估整體供應能力，確定什麼時候需要擴大生產力，還有需不需要外包等措施。

不工（Bugong）已經在幾家製造業企業實施解決方案，取得顯著的成果。公司高層估計，光整合不同資料系統，部門間的溝通成本就能減少高達 50％。這項技術在實際情境也表現出優良的擴充性。在一次大規模部署中，不工（Bugong）為一條擁有超過 300 台機器和超過 1,000 個複雜生產流程，還涉及 100,000 多個組件的生產線設定了協作的供應鏈規劃解決方案。這套系統強大到足以應付龐大的運算和資料傳輸需求。根據不工（Bugong）報告，這套系統能夠在不到 10 秒的時間內處理大約 5,000 筆訂單。

通往業界成功的藍圖

像不工（Bugong）開發的這種軟體型系統本質上就具有適應性還有靈活度。跟為了示範目的或適合少數使用案例建置，所謂的「燈塔」智慧工廠不同，這些解決方案專門為了讓其他人複製和實施而打造。這為 OEM、解決方案供應商和系統整合商開啟了一扇大門，讓他們可以開發符合客戶需求的自訂解決方案，還能更快推出新產品和服務。

ERP、MES 等類似系統越來越普及，表示製造商重視數位解決方案所帶來的效率提升。整合式的邊緣到雲端系統提供了全新的進階管理功能，對企業決策者來說非常有吸引力。

黃崑表示：「對業界所有人來說，全面數位供應鏈管理是一大勝利。這些解決方案將會協助企業完成生產流程的數位轉型，為 OEM 和 SI 創造新的商機，還能提升整個製造業的效率和盈利能力。」

 

本文由 insight.tech 編輯總監 Teresa Meek 編輯。

回想您之前在 ATM 領錢、利用信貸或存款。我們大多認為這些基本金融服務很正常，但全球數百萬農村居民沒有銀行帳戶，抑或即使有帳戶，仍無法便利享用銀行分行的服務。

「在偏遠地區開設新分行，不符合銀行的成本效益。」智慧自助服務機和數位看板專家、Bits & Bytes 總經理 Amit Jain 說，「因為農村地區的銀行常面臨停電、網路中斷等基礎設施問題。」

如果民眾無法利用銀行，可不只是不方便。事關公民無法參與整體經濟的公平問題。但新型態的邊緣解決方案以出人意表的方式解決這個問題：拉近銀行分行與民眾。

多虧邊緣運算硬體與電信網路支援，Bits & Bytes 開發「行動銀行」已改善印度偏遠社區的金融服務，並準備投入全球其他市場。

農村銀行分行實際案例

Bits & Bytes 印度行動分行部署，是解決方案實用的典範。馬哈拉斯特拉州是印度人口最多、工業發達的地區，但農村地區的人口占比就超過 50%，所以很多公民無法享有都市應有的服務。

Bits & Bytes 與大型國家銀行合作開發解決方案，實現傳統分行的眾多功能，而且可以視需要移動據點。

系統的核心是數位服務機，可執行堅固、邊緣適用的運算硬體，並內建攝影機、生物識別驗證指紋掃描器，及使用者互動用的觸控板。安裝在貨車的服務機可以前往各個農村地區，並隨時停靠。

系統採用兩種方式與銀行連線。數據卡透過標準蜂巢式網路，提供系統與銀行的集中式伺服器通訊，而銀行員工可以隨行，協助新客戶瞭解如何使用這項技術並回答問題。

行動服務機協助客戶開戶、取得金融卡，或進行提領現金、存款、申請貸款、支付帳單、轉帳等交易。

部署後，客戶對行動銀行讚不絕口。「客戶之前得付費請專人前往附近分行代為執行交易。」Jain 說，「他們很高興能有自行完成交易的初體驗。」

確保邊緣合規性與安全性

金融系統需嚴守各國不同的安全性與合規性規範。靈活設計與邊緣功能有助於克服這些難題，並實現在不同市場部署解決方案。

例如，Bits & Bytes 解決方案利用自家安全的網路連線和生物識別驗證功能，遵循印度嚴格的「瞭解客戶（know-your-customer）」法。行動銀行服務機執行基本的生物識別掃描後，與連線中央政府資料庫的銀行伺服器通訊。驗證後，服務機會預先填寫申請表，所以您只要在觸控板簽名，就能開立帳戶。

簡潔的基本設計（透過蜂巢式網路連線，邊緣 IPC 和模組化硬體與中央伺服器連線）讓系統立即化為銀行現有的網路。同時顯示邊緣不儲存個人使用者資料。資料皆保存在金融機構的網路，彰顯系統的資料隱私權和網路安全防護。

而且，行動分行可以輕易配合新地區不同的資料隱私權和法規。鑑於金融機構已符合國家/地區的規範，服務機軟體不必大幅量身修改。

Bits & Bytes 與 Intel 技術合作對解決方案的影響甚鉅。「Intel 硬體提供絕佳的邊緣運算平台。」Jain 說，「在產品開發方面，Intel 也是關鍵角色，協助我們調整現成的 Intel 技術推出新產品。」

邊緣運算推動數位轉型

解決農村銀行不足、增加客戶數量的能力可能吸引銀行數位部門和金融業整合商（SI）關注。

邊緣運算的興起不只支援如 Bits & Bytes 行動銀行服務機的系統，也可能解決多個產業的難題。我們可以想見未來幾年會看到更多邊緣部署的創新解決方案，舉凡農業自主移動機器人或 5G 專網。

行動銀行是目前數位轉型浪潮的典範，而 AI 會在近幾年開創更多機會。

「我們活在各領域技術快速進展世代，所以作為公司，我們要提供各種垂直產品。」Jain 說，「五年後，AI 和物聯網會普及，眾人和組織都能享受數位轉型帶來的好處。」

 

本文編輯 insight.tech 編輯總監 Georganne Benesch。

技術創新十分神奇，現在更是日新月異。（但更新不至於快到我們不再提起：「如果當初有這個工具，我可以省下多少時間和精力啊！）這話套在 AI 和電腦視覺尤其適用，兩者改變各行各業的營運方式，而且對眾多企業而言堪稱是至寶。而在完整的 AI/電腦視覺版圖中，影像分割是關鍵的一環。

Intel 的 AI 技術傳教士 Paula Ramos 與我們共同探討這個瞬息萬變的主題。她提到影像分割過去、現在和未來的解決方案、深入討論 Meta AI 最近推出的 Segment Anything 模型（SAM）（影片 1），並說明 Intel OpenVINO^™ 工具組提供的資源可讓 SAM 的效能更佳。

影片 1。Intel 的 AI 技術傳教士 Paula Ramos 論述支援日後影像分割的近期進展。（資料來源：insight.tech）

影像分割對電腦視覺的影響是什麼？

電腦視覺工作分為很多類型，我想其中就屬影像分割最為重要。影像分割在物件偵測、辨識、分析發揮決定性的作用。或許我們該問：影像分割為什麼如此重要？答案很簡單：影像分割可區分背景與個別物件，或個別物件與其他物件。我們可以透過影像分割定位重要資訊、建立特定物件的計量指標、擷取一些功能，協助瞭解特定情境……這些對電腦視覺再重要不過。

過去組建影像分割解決方案時，開發者會面臨哪些挑戰？

我的博士論文研究農業的影像分割，並面臨許多挑戰，因為分割物件的技術有很多（閾值、邊緣偵測、區域增長），但沒有一體適用的方法。您甚至必須根據使用的技術，仔細定義最佳方法。

我的研究是偵測咖啡豆，可是咖啡豆都大同小異，十分相像！或許紅色底色也是問題，導致執行影像分割演算時出現過度分割（合併物件），再不然就是分割不足，部分果實消失不見。

涉及影像分割時，環境的光線持續變化，各種攝影機解析度不同，資料更難獲取，是一大挑戰。而且攝影機原則會移動，導致影像模糊，或出現雜訊。偵測邊界也是難題。除此之外，傳統影像分割還面臨縮放和效率的挑戰。運算成本會因為影像解析度或資料集的大小攀升，所以即時應用可能受限於此。

大多時候，這些傳統方法需要人為干預才能使用。如果當初有最新影像分割技術，我可以省下很多時間。

Meta AI 的 Segment Anything 模型（SAM）為什麼重要？

我巴不得七年前就有 Segment Anything 模型！簡單來說，SAM 提升處理複雜資料集的效能。所以雜訊、模糊影像、低對比度等對 SAM 來說不再是問題。

SAM 的另一項優點是多功能和提示控制。不同於傳統方法（各種情境需要特定技術），SAM 的多功能方便使用者使用提示指定所需分割。而提示可以是點、方塊，甚至自然語言描述。

我很希望之前可以下令「我只要查看成熟的咖啡豆」或「我只要查看未成熟的咖啡豆」，並享有現有影像分割的靈活性。這種靈活性讓開發者可以處理各種分割工作。我之前也提到縮放和效率：SAM 處理資訊的速度比傳統方法快。所以這類即時應用更經濟永續，準確度也提升。

不消說，影像分析仍有一些限制需要人為權衡，但我們當然也會提升處理這些難題的效能。

Segment Anything 模型的商機是什麼？

目前所知，Segment Anything 模型在各種影像分割處理潛藏多種商機。例如，簡單建立內容或編輯內容、自動操作電子郵件，或建立即時特效。另外，SAM 的即時物件偵測也對擴增實境或虛擬實境領域有重大影響，互動體驗的虛擬元件因而得以實現。

抑或零售業可用於產品區分。SAM 會自動分割網路商店的產品影像，實現更有效的產品銷售。另一個可能的領域是，根據特定物件特色分類。不僅如此，我判斷影像分割可用於機器人和自動化，協助各種工作更精確地辨識、操作物件。自動駕駛就更不用說了。SAM 還能輔助醫療專業人員區分腫瘤或診斷更準確──儘管這類運用仍有很多疑慮。

我不會直說 SAM 可以解決這些業務，因為這些只是可能的運用。SAM 仍在開發、不斷改善。

開發者如何透過 OpenVINO^™ 解除 SAM 的限制？

目前的 AI 趨勢帶來的優點是大量的開源模型。換句話說，SAM 可以享有開源模型的功能。OpenVINO 也是開放原始碼，所以很方便開發者使用這個工具組。我們每天在 OpenVINO 筆記本存放庫輸入多種 AI 趨勢（即 AI 領域的新知），並每隔兩三天上傳筆記本至存放庫。然後，我們有好消息要給開發者：OpenVINO 存放庫的 SAM 管道已最佳化。

目前存放庫有四部筆記本。第一部筆記本是我們一再提到的 Segment Anything 模型，也是最常見的。您可以直接使用 OpenVINO 編譯模型，或使用神經網路壓縮架構（NNCF）最佳化模型。

第二部是 Fast Segment Anything 模型。原始 SAM 是重型轉換器模型，所以需要大量運算資源。我們無疑可透過量化解決這項問題，但 FastSAM 使用 YOLOv8 分解 Segment Anything 工作為兩個連續階段。

另外是輕型 SAM 模型 EfficientSAM，大幅降低複雜度後突顯 SAM 的效能。最後一個資源是 OpenVINO 存放庫最近發布的「GroundedSAM」，即 GroundingDINO 與 Sam。概念是尋找周框方塊，同時分割周框方塊中的影像。

最棒的是，執行這些筆記本不需使用特定機器，筆記型電腦就可執行，並透過現有的模型一睹影像分割的潛力。

OpenVINO 會如何隨 SAM 和 AI 持續發展？

我想組建深度學習應用程式時，OpenVINO 是降低難度的絕佳工具。如果您已具備 AI 專業知識，不妨再深入瞭解 AI 趨勢，順便瞭解 OpenVINO 如何簡化日常工作。但如果您是開發新手，或非 AI 專業的開發者，OpenVINO 是最適當的起點，因為您可以查看我們提供的範例，及參考 Jupyter Notebook 每個儲存格。

我們保證繼續建立更多範例，及更多 OpenVINO 筆記本。我們優秀的工程師團隊會致力於更新，並努力建立實用的範例：日常可用的概念證明。

另外，AI 電腦去年 12 月上市。我想您不妨趁此機會瞭解 Intel 持續增強的功能，因為我們提升他們使用的硬體，開發者不必購買特定硬體執行最新的 AI 趨勢。您可以在筆記型電腦執行模型，也可以提升效能。

我幾年前是開發初學者，所以我認為當前一定要瞭解 AI 的運作方式、產業差距，棋先一著、改善並嘗試創新。

再者，我認為使用者要理解我們持續探索您的需求：您希望實現什麼？我們開放協作，所以敬請檢視 OpenVINO 筆記本存放庫，查看您可以如何貢獻一己之力。

相關內容

若要進一步瞭解影像分割，請收聽 Segment Anything 提升影像分割能力，並閲讀多功能的 Segment Anything 模型，及 OpenVINO 加速。若要瞭解 Intel 的最新創新技術，請關注 X 的 @Intel 和 LinkedIn。

 

本文由 Erin Noble 編審。