摘要：
OpenVINO是一个强大的工具，很难使用，需要一定的基础：云计算和边缘计算，如Python、基础机器学习算法，以及起源于媒体领域的边缘计算。它是指使用集成了网络、计算、存储和应用程序核心功能的开放平台，在靠近对象或数据源的一侧提供最近的服务。该课程可被视为实践课程：https://www.icourse163.org/course/FUDAN-1456632162本课程主要介绍机器视觉的基本算法，并通过案例和实验，详细介绍如何使用OpenVINO平台优化和推理模型，实现机器视觉在边缘计算领域的应用。
OpenVINO工具强大，使用有一定难度，需要一定基础：Python、机器学习基本算法等
云计算 与 边缘计算
边缘计算起源于传媒领域，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。
其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。
而云端计算，仍然可以访问边缘计算的历史数据。
https://baike.baidu.com/item/边缘计算
边缘计算示例：无人车
- TensorFlow、Pytorch等 开发、训练模型 anaconda-Spyder-Python （理论核心在这里，编程调参、训练）
- OpenVINO 优化、部署、调用推理机 （提高效率）
需要掌握机器学习的基本原理，了解深度神经网络的常用算法更佳，也需要一定的Python编程基础。
课程可以考虑作为实践课：
https://www.icourse163.org/course/FUDAN-1456632162
这门课主要介绍机器视觉的基本算法，并通过案例和实验的方式，详细地介绍如何利用OpenVINO平台进行模型的优化和推理，实现机器视觉在边缘计算领域的应用。
通过典型的案例和动手练习，使用比较少的代码，就可以实现目标检测的典型应用。
卷积就是滤波器，卷积后，图片会留下轮廓
BP 梯度下降 手工推导，编程实现一遍，加深理解
CNN (Convolutional Neural Networks) 的可视化 常用卷积算法：LeNet（LeCun 1998）
01 神经网络基础
需要理解神经网络的基本原理，能够利用梯度下降法推导网络的训练过程；熟悉网络训练过程中的常见问题以及优化方法
1.1 神经网络基础
1.2 前向神经网络模型
1.3 神经网络训练与优化
1.4 OpenVINO工具包的安装和配置
1.5 人工智能与边缘计算
1.6 机器视觉简介
1.7 交通灯车流检测Demo
02 卷积神经网络基础
深刻理解卷积操作；熟悉常见的卷积神经网络算法的基本原理；使用常见的卷积神经网络解决典型的图形处理问题；了解OpenVINO以及安装和配置
2.1 机器视觉与深度学习
2.2 卷积神经网络基础
2.3 AlexNet卷积神经网络
2.4 VGG卷积神经网络模型
2.5 Inception系列卷积神经网络模型
2.6 ResNet系列卷积神经网络模型
2.7 OpenVINO平台简介
2.8 OpenVINO使用
03 目标检测基础
理解典型的目标检测算法原理；使用OpenVINO实现目标检测算法于经典情景
3.1 目标检测的基本概念
3.2 基于候选区域的目标检测R-CNN
3.3 Fast R-CNN目标检测算法
3.4 Faster R-CNN目标检测算法
3.5 Yolo目标检测算法
3.6 SSD目标检测算法
3.7 MobileNet目标检测算法
3.8 基于OpenVINO的手写体识别
04 基于OpenVINO的目标识别平台
使用OpenVINO实现典型目标检测；推理引擎应用
4.1 使用OpenVINO工具包实现目标检测的过程
4.2 模型优化器和推理引擎的使用
4.3 基于OpenVINO的车牌识别
05 基于OpenVINO的边缘计算应用
学习使用OpenVINO解决实际问题的思路以及实现方法
5.1 智能交通灯控制
5.2 智慧教室
5.3 危险品识别
06 综合实训：使用OpenVINO解决实际问题
使用OpenVino的实践和创新型应用
使用OpenVino解决实用边缘计算场景的新问题
6.1 实训项目1 导盲系统
6.1 实训项目2 野生动物数量估计