如今，计算机视觉(CV)技术正处于拐点，主要趋势正在融合，使云技术在针对特定用途，进行优化的微型边缘人工智能设备中无处不在，并且通常是电池供电的。
技术进步解决了特定的挑战，使这些设备能够在受限制的环境中本地执行复杂的功能——即尺寸、功率和内存——使这种以云为中心的人工智能技术能够扩展到边缘，新的发展将使边缘的人工智能视觉无处不在。
了解技术
CV技术确实处于前沿，并且正在实现更高水平的人机界面(HMI)。
情境感知设备不仅能感知用户，还能感知他们操作的环境，所有这些都是为了做出更好的决策，实现更有用的自动化交互。
例如，笔记本电脑可以通过视觉感知用户何时集中注意力，并可以相应地调整其行为和电源策略。这对于省电(未检测到用户时关闭设备)和安全(检测未经授权的用户或不需要的“潜伏者”)非常有用，并提供更顺畅的用户体验。事实上，通过跟踪旁观者的眼球(旁观者检测)，该技术可以进一步提醒用户并隐藏屏幕内容，直到安全为止。
另一个例子是：智能电视机可以感知到是否有人在观看，然后它会相应地调整图像质量和声音。它可以在无人时自动关闭以节省电力。空调系统根据房间占用情况优化功率和气流，以节省能源成本。
通过家庭办公混合工作模式，建筑物中智能能源利用的这些例子和其他例子在财务上变得更加重要。
该技术不仅限于电视和个人电脑，在制造业和其他工业用途中也发挥着至关重要的作用，例如用于安全监管(即禁区、安全通道、防护装备执行)的对象检测、预测性维护和制造过程控制。农业是另一个将从基于视觉的情境感知技术中受益匪浅的部门：例如农作物检验和质量监控。
计算机视觉的应用
深度学习的进步使计算机视觉领域的许多令人惊奇的事情成为可能。许多人甚至不知道他们如何在日常生活中使用计算机视觉技术。例如：
图像分类和对象检测：对象检测结合了分类和定位来确定图像或视频中的对象，并指定它们在图像中的位置。它将分类应用于不同的对象并使用边界框。CV通过手机工作，可用于识别图像或视频中的对象。
银行业：CV用于欺诈控制、身份验证、数据提取等领域，以增强客户体验、提高安全性并提高运营效率。
零售：用于处理这些数据的计算机视觉系统的发展，使得现实行业的数字化转型变得更加容易实现，例如自助结账。
自动驾驶汽车：计算机视觉用于检测和分类物体(例如路标或交通灯)、创建3D地图或运动估计，并在使自动驾驶汽车成为现实方面发挥关键作用。
边缘简历
基于机器学习的边缘视觉处理无处不在的趋势是显而易见的。硬件成本正在下降，计算能力正在显著提高，新的方法使训练和部署需要更少功率和内存的小规模模型变得更容易。所有这些都减少了采用的障碍，并增加了边缘CV技术AI的使用。
但即使我们看到微边缘人工智能越来越普遍，仍然有工作要做。为了使环境计算成为现实，我们需要为许多细分市场的长尾用例提供服务，这可能会带来可扩展性挑战。
在消费品、工厂、农业、零售和其他领域，每项新任务都需要不同的算法和独特的数据集进行训练。解决方案提供商提供更多开发工具和资源，来创建满足特定用例要求的优化的支持机器学习的系统。
TinyML
TinyML是在边缘实现所有类型AI的关键推动者。这是一种利用紧凑的模型架构和优化算法，直接在边缘设备上开发轻量级且节能的机器学习模型的方法。
TinyML使AI处理能够在设备本地进行，从而减少对持续云连接的需求。除了消耗更少的电量之外，TinyML实施还可以减少延迟、增强隐私和安全性以及降低带宽要求。
此外，它使边缘设备能够在不严重依赖云基础设施的情况下做出实时决策，使人工智能在智能设备、可穿戴设备和工业自动化等各种应用中更易于访问和实用。这有助于解决功能差距，并使人工智能企业能够通过开发丰富的模型示例(“模型动物园”)和应用程序参考代码来围绕其NPU产品升级软件。
通过这样做，他们可以为长尾提供更广泛的应用，同时通过在定义的成本、尺寸和功率限制下针对目标硬件优化正确的算法来确保设计成功，以解决特定的业务需求。
