组织者

Alexander Bovyrin（算法创新主管，高级 PE，英特尔）
Yury Gorbachev（OpenVINO 首席架构师，PE，英特尔）
Pavel Druzhkov（高级机器学习工程师，英特尔）
Nikita Manovich（高级软件工程师，英特尔）

时间： 13:30-17:30（半天 - 下午）

描述

本教程旨在帮助深度学习/计算机视觉工程师将他们的解决方案产品化，并通过使用英特尔® OpenVINO™ 工具将它们带到边缘。基于深度学习的算法是资源密集型和计算密集型任务。每当算法准备就绪以投入生产时，都需要做出部署工具的选择。在实践中，工具的选择不仅会影响速度，还会影响最终解决方案的质量。因此，在算法选择阶段了解目标平台和启用工具支持的功能至关重要。

我们将涵盖以下重要主题

• OpenVINO 工具包简介
  • 深度学习部署工具的架构；
  • 跨平台 DL 部署的可移植性；
• 最重要的功能
  • 拓扑特定优化。
  • 使用示例的深度网络图优化（硬件不可知和硬件特定）。
  • 异构执行。示例。
  • 异步执行。示例。
  • 各种精度支持。示例。
  • 动态批处理。示例。
• OpenVINO 模型库
  • 模型概述和性能特征。
• OpenCV DNN 模块
  • DNN 模型概述。
  • 如何使用 OpenCV DNN 的示例。
  • OpenCV 与推理引擎后端的效率。
• 辅助工具和计划的功能
  • CNN 优化工具：量化、修剪、稀疏性。
  • CVAT - 开放式计算机视觉标注工具。

教程还将指导参与者完成算法设计（拓扑选择和质量评估）和移植到英特尔 DL 部署工具的工作流程的实际示例。将提供最终解决方案的性能数据以及与其他深度学习解决方案的比较。

议程

13:30 – 14:00	OpenVINO 简介
14:00 – 15:15	最重要的功能（拓扑特定优化、异构和异步执行、动态批处理等）
15:15 – 15:30	咖啡休息
15:30 – 16:00	开放式模型库
16:00 – 16:30	OpenCV DNN 模块概述
16:30 – 17:00	CNN 优化工具
17:00 – 17:30	计算机视觉标注工具 (CVAT)