Recommended
More Related Content
Similar to KC3 presentation 2021
Similar to KC3 presentation 2021 (20)
Recently uploaded
Recently uploaded (6)
KC3 presentation 2021
- 4. 電気通信工学研究会 総務(昨年度) 関西大学 システム理工学部 電気電子情報工学科 4年生 AWS Robot Delivery Challenge 2020 準優勝 インテル・スリー・チャレンジ / 第3回 OpenVINO™ ツールキットを使用した開発コンテスト AIトレンド賞 受賞 Intel OVaaS 開発にちょびっと参加 GitHub Qiita Twitter Yusuke Sakabe ⤴
- 6. 複数回答OK / 匿名 / 回答結果は閲覧可能
- 8. Animate your family photos ELYZA DIGEST https://www.myheritage.jp/deep-nostalgia https://www.digest.elyza.ai/ GitHub Copilot https://copilot.github.com/
- 12. 機械学習 ディープラーニング 1. データそのまま or あらかじめ特徴量(特徴を 数値化したモノ)を指定して抽出し入力する． 2. その特徴量を使用して学習を行う． 1. 多層構成のニューラルネットワークを 使用することで特徴量を自動抽出する． 2. その特徴量を使用して学習を行う． 学習させたいデータ(の特徴 (例: 形，色，大きさ... )) ルールベースの計算 Ex) Nearest Neighbor, SVM Random Forest 画像処理編 出力 55 / 80点 1 2 40/50点 15/30点 + 20出席点 f (X)＝WX+b f : モデルを表す関数 X : モデルの入力 W: 重み（結合強度,貢献度) b : バイアス WX+b = 0.5*0.8+0.5*0.3+0.2 = 0.75 0.2 0.5 0.3 0.8 0.5 入力 出力 理解度=その単元における勉強の貢献度（重み） 大門1は80%の理解度à40/50点 大門2は50%の理解度à15/30点 合計: 55点 バイアスとして出席点20点付与 大門1: 50点，大門2: 30点のテストがある よって成績は75点
- 13. 機械学習 ディープラーニング 1. データそのまま or あらかじめ特徴量(特徴を 数値化したモノ)を指定して抽出し入力する． 2. その特徴量を使用して学習を行う． 1. 多層構成のニューラルネットワークを 使用することで特徴量を自動抽出する． 2. その特徴量を使用して学習を行う． 学習させたいデータ(の特徴 (例: 形，色，大きさ... )) ルールベースの計算 Ex) Nearest Neighbor, SVM Random Forest 画像処理編 出力 学習させたいデータ 出力 各ノード間の重みを調整し精度向上 入力層 隠れ層・中間層 a.k.a. ブラックボックス 出力層
- 14. 教師あり学習 強化学習 教師なし学習 自動車 バイク これは「自動車」 これは「バイク」 分類A 分類B 状態と行動を考慮して、将来的に 最大の報酬を実現できるような 行動を選択していくように学習 「ラベル」で分類 「特徴」で分類 状態: 距離5mしか走られない 報酬: 距離15m走られるようになると お菓子がもらえる 報酬を得るための行動を選択 (漕ぎ出しを変える，重心変更)
- 18. • 無償のAI画像処理エンジン • 高速なCPU推論を実現 • Intel製CPU, GPU, FPGA, MYRIADで使用可能 • RaspberryPiやApple Silicon Mac でもNCS2を介して使用可能 • 初心者でも使いやすい一方で，プロの現場でも使用されている Ex) 東京オリンピックでは陸上短距離走のフォーム・動き解析＆所定エリアの混雑状況チェックで使用された https://github.com/openvinotoolkit/open_model_zoo/blob/master/d emos/human_pose_estimation_demo/human_pose_estimation.gif https://github.com/openvinotoolkit/open_model_zoo/blob/m aster/demos/object_detection_demo/object_detection.gif https://github.com/openvinotoolkit/open_model_zoo/blob/master/d emos/gesture_recognition_demo/python/gesture_recognition.gif
- 19. TensorFlow PyTorch ONNX IR Model Model Optimizer CPU GPU MYRIAD FPGA Interface Engine ユーザプログラム
- 20. 1. ファイル à ノートブックを開く 2. GitHubタブでyusuke-1105と入力 AI-Bread-Detectionに なっていることを確認 AI_Bread_Register.ipynbをクリック 1. Connect and Createをクリック 2. 右上のNewをクリックし，Python 3 （）を選択 3. セルに以下を記入してRun(実行) !git clone https://github.com/yusuke-1105/AI-Bread-Detection セットアップ完了 ! 準備編
- 21. 待機 4. AI-Bread-Detectionが追加されているのでクリック 5. AI_Bread_Register.ipynbをクリック 6. Python 3 (OpenVINO 2021.4 LTS)を選択し 「Set Kernel」をクリック 準備編
- 22. 8. 「Cell」の「Run All」を クリック 7. Install OpenVINOとDownload the model ~ のセルを コメントアウト 実行編 8でエラーが出た時は 「Kernel」の 「Restart & Run All」を クリック 3. 「ランタイム」の「全てのセルを実行」
- 25. https://ovaas.netlify.app/ Available from 9 a.m. to 6 p.m.